基于MapReduce和深度學習的負荷分析與預測.pdf

1、智能用電服務系統(tǒng)是智能電網的重要組成部分，其思想是通過供電企業(yè)與用戶間的雙向互動，針對用戶用電特性提供更加個性化、人性化的智能服務。準確的電力負荷分析與預測是智能用電服務的前提。然而隨著智能電網中智能電表、智能終端以及各類傳感器的鋪設，用戶側的數(shù)據已經達到了大數(shù)據的規(guī)模，大大提升了負荷分析與預測的難度。如何有效的從這些海量數(shù)據中挖掘潛在的知識和模式，為供電企業(yè)拓展電力市場、優(yōu)化能源結構、合理配置資源等提供決策依據，是電力系統(tǒng)目前最具挑戰(zhàn)

2、性的任務之一。
　　大數(shù)據技術以及深度學習理論是解決上述問題的關鍵。本文首先在分析大數(shù)據技術、深度學習、智能用電三者關系的基礎上，設計了智能用電大數(shù)據平臺的整體架構，并自底向上分別從數(shù)據來源層、數(shù)據處理層、挖掘分析層以及業(yè)務應用層四個層次探討了平臺搭建的關鍵元素。之后，考慮到傳統(tǒng)決策樹算法不能解決海量數(shù)據挖掘以及ID3算法的多值偏向問題，本文將基于MapReduce模型的并行化決策樹應用于智能電表數(shù)據的用電習慣挖掘中，并通過在最佳

3、分裂屬性選擇中引入相關系數(shù)，修正了ID3算法中的多值偏向問題。通過實際負荷數(shù)據，從挖掘結果和并行性能兩方面驗證算法的有效性。
　　深度學習通過多個隱含層對原始輸入的逐步抽象表示，能夠充分挖掘海量負荷數(shù)據中的規(guī)律，實現(xiàn)更精準的短期負荷預測。本文介紹了深度學習中的堆棧自編碼器(SAE)與深度置信網絡(DBN)的基本組件、網絡結構以及訓練方法，對深度學習只能依靠專家經驗選取隱含層神經元個數(shù)這一缺陷，提出基于信息熵的隱含層神經元個數(shù)確定方