基于Spark和IPPSO_LSSVM的短期分布式电力负荷预测算法

摘要：

为了提高电力负荷预测的精度,应对单机运算资源不足的挑战,提出一种改进并行化粒子群算法优化的最小二乘支持向量机短期负荷预测模型.通过引入Spark on YARN内存计算平台,将改进并行粒子群优化(IPPSO)算法部署在平台上,对最小二乘支持向量机(LSSVM)的不确定参数进行算法优化,利用优化后的参数进行负荷预测.通过引入并行化和分布式的思想,提高算法预测准确率和处理海量高维数据的能力.采用EUNITE提供的真实负荷数据,在8节点的云计算集群上进行实验和分析,结果表明所提分布式电力负荷预测算法精度优于传统的泛化神经网络算法,在执行效率上优于基于MapReduce的分布式在线序列优化学习机算法,且提出的算法具有较好的并行能力.

关键词：Spark、IPPSO、LSSVM、负荷预测、短期预测、支持向量机、并行处理、优化

所属期刊栏目：36

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金资助项目61300040;河北省高等学校科学研究计划资助项目Z2012077;Project supported by the National Natural Science Foundation of China61300040 and Hebei Higher Education Research Program Z2012077

在线出版日期：2016-02-25（万方平台首次上网日期，不代表论文的发表时间）

页码：117-122