论文部分内容阅读
短期负荷预测是电力系统经济运行与系统调度的重要前提和依据。智能电网与传感器技术的发展使得电网数据剧烈膨胀,形成了用户侧负荷大数据。电网大数据形势下的短期负荷预测要求预测方法的预测精度高,计算速度快,传统的预测方法已经无法满足。以Hadoop、Spark平台为代表的大数据处理技术的出现,使得海量数据的处理方式进入一个崭新的阶段。本文分析现阶段大数据形势下短期负荷预测的需求与面临的关键问题,从提高短期负荷预测精度与提高短期负荷预测速度两个方面为切入点,结合相关算法与数据处理,展开大数据形势短期负荷相关工作。论文首先根据短期负荷预测与实验需要,利用NREL实验室公布的负荷数据,生成了约2500万组负荷实验数据集;分析了商业用电负荷与居民用电负荷的特性,得出了两种负荷类型具有周期性与季节性的结论。然后根据负荷数据周期性与季节性的特点,建立能够对季节与周期因素进行建模的乘法Holt-Winters的短期负荷预测模型,并采用无约束优化理论中的L-BFGS内存限定拟牛顿算法实现预测模型的参数优化,以降低预测模型寻优的计算复杂度,并保证负荷预测的精度。接着将文中的短期负荷预测算法在Spark集群并行化实现,以提高计算效率,实现对海量负荷数据的预测。提出了包含2个Master节点,28个Slave节点的集群构建方案,并对集群的配置进行优化,使得Spark计算性能更好。最后对HDFS分布式文件系统存储效率、L-BFGS-Holt-Winters短期负荷预测算法的预测误差和Spark并行计算效率进行实验。结果表明,论文采用的HDFS负荷数据存储,效率优于传统的文件存储方式;论文采用的L-BFGS优化方法有良好的计算效率与优化精度;与传统负荷预测算法相比,论文采用的Holt-Winters算法有更高的预测精度;Spark并行化实现后的短期负荷方法,能够应对海量负荷数据的预测需求。在论文方法在25个计算节点的计算集群中,能够在1.5分钟内实现200万规模的负荷预测,13分钟内实现2000万规模的负荷预测,能够满足大中型城市乃至省级电力单位的负荷预测需求;论文方法能够减少实际电力系统的费用消耗,节约更多的时间,为电力系统的调度调控等操作提供保障。本文基于Spark与Holt-Winters的短期负荷预测方法,是解决大数据形势下海量短期负荷预测一种可行的方案。