大数据环境下的电力负荷预测研究

详细信息    查看全文 | 推荐本文 |

英文篇名：Study on load forecasting under the big data environment 作者：宋占党 ; 李湘华 ; 王海宾 ; 白霄磊 ; 陈德高 英文作者：Song Zhandang;Li Xianghua;Wang Haibin;Bai Xiaolei;Chen Degao;State Grid Xinjiang Electric Power CO. LTD,Urumqi; 关键词：大数据 ; 负荷 ; 预测 ; 长短期记忆网络 英文关键词：big data;;load;;predict;;long short-term memory networks 中文刊名：DZCL 英文刊名：Electronic Measurement Technology 机构：国网乌鲁木齐供电公司; 出版日期：2019-06-23 出版单位：电子测量技术 年：2019 期：v.42;No.320 语种：中文; 页：DZCL201912009 页数：4 CN：12 ISSN：11-2175/TN 分类号：57-60

摘要

随着智能电网的快速发展,电力系统采集了海量的数据信息,如何利用海量电力数据预测电力负荷值,为企业合理地制定供需计划提供可靠保障,是一个值得研究的问题。为了使负荷预测模型适应各类用户的负荷预测,采用Kernel-K-means算法对电力用户进行聚类分析。将待预测的用户进行类别划分,然后采用LSTM方法建立负荷预测模型,预测未来某时刻用户的负荷值。通过实验仿真对比分析,验证了Kernel-K-means算法比传统的K-means算法具有较少的耗时和较高的聚类性能;LSTM算法比BP算法具有更高的负荷预测精度;实验说明所提方法适用于大数据环境下的电力负荷预测。
        The power system has collected a large amount of data information under the rapid development of smart grid. It is worth studyinghow to use the massive power data to predict power load value and provide reliable guarantee for enterprises to make reasonable supply and demand plans. In order to adapt the load forecasting model to the load forecasting of various users, Kernel-K-means algorithm is adopted to cluster the power users. The users to be predicted are divided into categories, and then the LSTM method is used to establish a load forecasting model to predict the load value of users at a certain time in the future. Experimental simulation verifies that Kernel-K-means algorithm has less time consuming and higher clustering performance than traditional K-means algorithm. LSTM algorithm has higher load prediction accuracy than BP algorithm. The experiment shows that the method proposed in this paper is suitable for power load forecasting under the big data environment.

引文

[1] 张淑清,宿新爽,陈荣飞,等.基于变分模态分解和FABP的短期电力负荷预测[J].仪器仪表学报,2018,39(4):67-73.
    [2] 张淑清,师荣艳,张立国,等.混沌预测模型改进及在电力日负荷预测中的应用[J].仪器仪表学报,2016,37(1):208-214.
    [3] 董浩,李明星,张淑清,等.基于核主成分分析和极限学习机的短期电力负荷预测[J].电子测量与仪器学报,2018,32(1):188-193.
    [4] 崔和瑞,彭旭.基于ARIMAX模型的夏季短期电力负荷预测[J].电力系统保护与控制,2015,43(4):108-114.
    [5] 肖勇,杨劲锋,马千里,等.基于模块化回声状态网络的实时电力负荷预测[J].电网技术,2015,39(3):804-809.
    [6] 王继业,季知祥,史梦洁,等.智能配用电大数据需求分析与应用研究[J].中国电机工程学报,2015,35(8):1829-1836.
    [7] 王德金.基于大数据技术的短期负荷分析与预测[J].华东电力,2014,42(10):2007-2010.
    [8] 徐源,程潜善,李阳,等.基于大数据聚类的电力系统中长期负荷预测[J].电力系统及其自动化学报,2017,29(8):43-48.
    [9] 程潜善,方华亮.一种应用大数据技术的中长期负荷预测方法[J].武汉大学学报(工学版),2017,50(2):239-244.
    [10] 赵文清,龚亚强.基于Kernel K-means的负荷曲线聚类[J].电力自动化设备,2016,36(6):203-207.
    [11] 周涛,张艳宁,袁和金,等.粗糙核k-means聚类算法[J].系统仿真学报,2008(4):921-925.
    [12] 闫明月.基于kernel K-means算法的城市交通客流量分析[J].物流技术,2013,32(17):158-160,213.
    [13] 王鑫,吴际,刘超,等.基于LSTM循环神经网络的故障时间序列预测[J].北京航空航天大学学报,2018,44(4):772-784.
    [14] 代杰杰,宋辉,盛戈皞,等.采用LSTM网络的电力变压器运行状态预测方法研究[J].高电压技术,2018,44(4):1099-1106.
    [15] 权波,杨博辰,胡可奇,等.基于LSTM的船舶航迹预测模型[J].计算机科学,2018,45(S2):126-131.