基于均衡KNN算法的电力负荷短期并行预测

摘要：

为提高电力负荷预测精度,应对海量、高维数据带来的单机计算资源不足的问题,提出一种基于均衡KNN算法的短期电力负荷并行预测方法.针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;为提高场景划分精度,采用反熵权法量化负荷特征的权重系数;针对不均衡的负荷场景,提出均衡KNN算法对待预测负荷进行精确的场景归类;采用BP神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用Apache Spark架构对提出的模型进行并行化编程,提高其处理海量、高维数据的能力.选取某小区居民用电数据进行算例分析,在30节点云计算集群上进行测试验证,结果表明基于该模型的负荷预测精度与执行时间均优于传统预测算法,且提出的算法具有优异的并行性能.

关键词：负荷预测、负荷场景、K均值、均衡KNN、BP神经网络、ApacheSpark

所属期刊栏目：51

分类号：TM715(输配电工程、电力网及电力系统)

资助基金：国家电网公司总部科技项目资助52130417002C

在线出版日期：2018-11-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：88-94,102