电能是人类生产生活中不可或缺的能源之一,如何提高用电效率,合理规划用电数量成为人们关注的焦点之一。精准的电力负荷预测不仅是一项重要有效的节能措施,更是对经济发展、政策制定、社会安稳有着巨大的积极影响。本论文旨在基于Spark和深度学习技术进行电力负荷预测研究。具体的研究工作如下:(1)分别提出以“年”为单位的长期电力负荷预测模型、以“月”为单位的中期电力负荷预测模型和以“小时”为单位的短期电力负荷预测模型。针对三种类型的电力负荷数据特点,提出三层LSTM模型预测月用电量、LSTM和MLP组合模型预测年用电量、多变量深层编码器-解码器模型预测每小时用电量。通过实验证明,本文提出的三种模型在各自的数据集中比基准模型有更好的表现。(2)提出LSTM模型优化方法。将LSTM梯度分量分解为不同路径产生的分量,通过对LSTM表达式的分析得出线性时间路径(单元状态)包含有关长期依赖性的信息,当LSTM权重比较大时,通过该路径的梯度会被抑制。针对此问题,本文提出一种随机梯度优化算法,该算法在期望中对各个梯度分量进行缩放,防止通过线性时间路径的梯度被抑制。通过实验证明,本文提出的LSTM优化模型在以“小时”为单位的短期电力负荷预测中,比LSTM模型和原始短期电力负荷预测模型有更好的表现。(3)提出短期电力负荷预测模型并行化实现方法。根据短期电力负荷数据和预测模型特点,提出基于HDFS和Spark RDD的数据压缩存储方案以及异步随机梯度共享方案,解决短期电力负荷预测模型并行问题。深入研究Spark和DL4J框架后,结合这两种框架实现短期电力负荷预测模型并行化。通过实验证明分布式短期电力负荷预测模型比非分布式短期电力负荷预测模型表现更好。图61幅,表3个,参考文献56篇