海量数据下的电力负荷短期预测

被引：181

作者：

张素香 ^{[1
]}

赵丙镇 ^{[1
]}

王风雨 ^{[2
]}

张东 ^{[3
]}

机构：

[1] 国家电网公司信息通信分公司

[2] 北京国电通网络技术有限公司

[3] 国家电网公司农电工作部

来源：

中国电机工程学报 | 2015年 / 35卷 / 01期

关键词：

大数据; 云计算; 负荷预测; 局部加权线性回归;

D O I：

10.13334/j.0258-8013.pcsee.2015.01.005

中图分类号：

TM715 [电力系统规划];

学科分类号：

080802 ;

摘要：

该文研究海量数据下的短期电力负荷预测方法,基于局部加权线性回归和云计算平台,建立并行局部加权线性回归模型。同时,为剔除坏数据,采用最大熵建立坏数据分类模型,保证历史数据的有效性。实验数据来自已建的甘肃某智能园区。实验结果表明,提出的并行局部加权模型用于短期电力负荷预测是可行的,平均均方根误差为3.01%,完全满足负荷预测的要求,并极大地减少了负荷预测时间,提高预测精度。

引用

收藏

页码：37 / 42

页数：6

相关论文

共 13 条

[1] 主动配电网规划中的负荷预测与发电预测 [J].

钟清 ;

孙闻 ;

余南华 ;

柳春芳 ;

王芳 ;

张鑫 .

中国电机工程学报, 2014, 34 (19) :3050-3056

[2] 空间电力负荷预测方法综述与展望 [J].

肖白 ;

周潮 ;

穆钢 .

中国电机工程学报, 2013, 33 (25) :78-92+14

[3] 粒子群优化BP算法在电力系统短期负荷预测中的应用 [J].

傅忠云 .

重庆工学院学报(自然科学版), 2007, (10) :93-96

[4] 基于小波分析的月度负荷组合预测 [J].

姚李孝 ;

刘学琴 .

电网技术, 2007, (19) :65-68

[5] 基于双层贝叶斯分类的空间负荷预测 [J].

陶文斌 ;

张粒子 ;

潘弘 ;

李振元 ;

郑华 .

中国电机工程学报, 2007, (07) :13-17

[6] 基于粒子群模糊神经网络的短期电力负荷预测 [J].

刘玲 ;

严登俊 ;

龚灯才 ;

张红梅 ;

李大鹏 .

电力系统及其自动化学报, 2006, (03) :47-50

[7] 基于数据挖掘的SVM短期负荷预测方法研究 [J].

牛东晓 ;

谷志红 ;

邢棉 ;

王会青 .

中国电机工程学报, 2006, (18) :6-12

[8] 电力短期负荷的多变量时间序列线性回归预测方法研究 [J].

雷绍兰 ;

孙才新 ;

周湶 ;

张晓星 .

中国电机工程学报, 2006, (02) :25-29

[9] 基于偏最小二乘回归分析的短期负荷预测 [J].

张伏生 ;

汪鸿 ;

韩悌 ;

孙晓强 ;

张振宇 ;

曹进 .

电网技术, 2003, (03) :36-40

[10] 基于神经网络的负荷组合预测模型研究 [J].

谢开贵 ;

李春燕 ;

周家启 .

中国电机工程学报, 2002, (07) :85-89