[发明专利]一种大数据环境下的短期负荷预测方法

摘要

本发明公开了一种大数据环境下的短期负荷预测方法，采用Hadoop架构对海量数据进行分布式存储和处理，提高了负荷预测速度。本发明用改进后的粒子群算法优化传统BP神经网络，提高了负荷预测精度。

主权项

1.一种大数据环境下的短期负荷预测方法，其特征在于：包括以下步骤：S1：获取历史负荷数据集；S2：利用基于Hadoop架构的MapReduce数据处理系统，将负荷数据集拆分为小型数据集，存储在分布式文件系统的各个数据节点中；S3：构建BP神经网络，初始化BP神经网络参数；S4：利用粒子群算法对BP神经网络的初始参数进行优化，得到权值和阈值上传到分布式文件系统中；S5：在Map阶段，读取分布式文件系统中的参数，包括权值、阈值，在每个子任务开始时，还原BP神经网络；依据子任务所分配数据进行BP神经网络的输入信号的正向传递和误差信号的反向传播，获取BP神经网络的权值、阈值在当前数据集下的修正量，并依据键值对形式作为Reduce阶段的输入参数；S6：在Reduce阶段，BP神经网络对所有数据集训练后，依据输入层、隐含层以及输出层神经元相应的键值对中的key值，统计全体负荷数据样本训练结束后对各神经元权值、阈值的影响量，将结果输出至分布式文件系统中；S7：判断当前迭代任务下，是否达到收敛精度或达到预先设定的迭代次数；若是，依据BP神经网络的输入层、隐含层和输出层的层数，及其分布式文件系统中权值、阈值参数，建立分布式BP神经网络模型；若不是，进行BP神经网络权值、阈值参数的修正；S8：依据分布式BP神经网络模型，输入预测日数据进行预测，得到预测日的负荷功率数据。