基于Spark平台和并行随机森林回归算法的短期电力负荷预测

摘要：

随着智能电网、全球能源互联网的建设与相关技术的发展,现代电力系统中电力大数据的格局已经形成,如何对高维海量数据进行深度挖掘以实现数据的充分利用,成为当前电力工作者们关心的问题.该文针对电力大数据环境下高精度和实时性的负荷预测展开了研究,提出了基于Spark平台和并行随机森林回归算法(Spark platform and parallel random forest regression,SP-RFR)的短期电力负荷预测方法,通过3次弹性分布式数据集(resilient distributed datasets,RDD)转换实现单机随机森林算法的并行化改进,并在Spark分布式集群环境下实现部署.结合某区域实际电力负荷数据设计试验,进行模型训练和回归预测,通过试验证明,对同等的数据集,基于Spark平台的并行随机森林回归算法预测精度高于单机负荷预测算法;并行随机森林算法受离群数据干扰较小,且随着数据集的增大,并行随机森林算法表现出良好的鲁棒性;与单机算法在运行时间上相比,随着数据集的增大,基于分布式集群的方法优势明显.该文提出的方法能够有效地在分布式环境中进行电力负荷预测,为负荷预测提供了一种新思路.

关键词：电力大数据、分布式计算、并行随机森林回归算法、Spark平台、短期电力负荷预测

所属期刊栏目：38

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金项目61472236,61672337;国网眉山供电公司雄鹰创新攻关团队项目基于调度技术支持系统的大数据分析与应用Project supported by National Natural Science Foundation of China61472236,61672337

在线出版日期：2017-12-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：84-92