1.深圳市中金岭南有色金属股份有限公司凡口铅锌矿；
2.中南大学 信息科学与工程学院 湖南省长沙市 410083
摘要：本文提出了一种基于Hadoop优化的支持向量机求解大数据背景下电力短期负荷预测问题的新方法。该方法首先采用量子行为优化粒子群的模糊C聚类模型将历史负荷进行聚类分析，然后将聚类后的负荷数据和其对应影响因素数据进行Hadoop云平台的数据存储和匹配，进而提高预测模型输入量的精确度和响应速度，最后进行建模仿真预测。针对某地区的海量负荷数据进行建模仿真，并在预测精度和预测时间两方面与未经过数据预处理的支持向量机预测模型进行比较，仿真结果表明基于Hadoop优化的支持向量机预测模型在面对大量数据时，该方法能够在保证预测精度的基础上大大缩短了预测时间。
关键词：负荷预测；智能优化算法；支持向量机；云平台
0 引言
负荷预测是指从已知的电力系统、经济、社会、气象等情况出发，通过对历史数据的分析和研究，探索事物之间的内在联系和发展变化规律，对负荷发展做出预先估计和推测的一门学科[1-2]。负荷预测能够保证不间断电力系统的安全、经济可靠运行，通过预测结果进行电力系统有效规划，能够减低运行风险，提高社会经济效益，节省大量不必要的开支[3-4]。高估未来负荷会导致产生非必要的电力能源，而低估未来负荷则不能提供足够电力，这会导致机组的高损耗运行。因此，精确的负荷预测显得尤为重要。
负荷预测的方法大致可分为传统预测法和现代预测法[1-2]。传统预测方法包括多元线性回归法[5]、自回归滑动平均模型[6]、指数平滑法[7-8]等，而现代预测法包括人工神经网络法[9-10]、模糊理论法[11]、支持向量机法[12-13]等。随着智能电网的建设，智能电表也逐渐普及[14]。对于工业负载，智能电表每15分钟进行一次电力数据记录，而对于商业和住宅负载，智能电表每30分钟进行一次电力数据记录[15]。数以百万计的智能电表每天记录的数据信息已经达到了TB，甚至PB级别，通过有效的利用这些电力数据信息，电力工作人员能够更加准确地进行负荷预测和电力规划。但是随着数据量指数级别的增加，传统的预测方法在处理海量数据时，越来越无法满足预测速度和预测精度的需求。因此，采用多种处理方法进行优化组合，特别是Hadoop等大数据云平台处理方法的应用，能够在保证预测精度的前提下提高预测速度[16]。
本文以某地区海量数据为基础，将优化的C模糊聚类和Hadoop云平台应用在数据预处理上，通过一系列数据预处理方法，把高相关的历史负荷数据挑选出并作为预测模型的输入。旨在解决支持向量机模型在处理大数据情况下计算时间过长，预测精度不高的问题。最后，通过算例仿真计算，其结果表明，该优化方法在保证预测精度的基础上大大缩短了预测时间。
1 电力负荷概述
电网负荷具有周期性、连续性和波动性的特点。周期性是指在一定的时间内电力系统具有重复性，在这个周期循环中，天气温度、降雨量、气候、日期类型等都是负荷的显著影响因素。图1为某地区连续两年的电力总负荷曲线，由图可知电力负荷重复着以周为模糊周期的周期性变化。
由上述表格和图8可知，基于Hadoop优化的支持向量机预测模型较传统的未经过数据预处理的支持向量机预测模型精确度较高，其平均绝对误差值较小，且提出的优化方法能够满足公共事业公司误差值小于3％的要求[15]。且基于Hadoop优化的支持向量机预测模型在面对大量数据时，其处理速度较传统方法更快。其结果表明，该优化方法在保证预测精度的基础上大大缩短了预测时间。
5 结论
本文研究了基于Hadoop优化的支持向量机预测模型在处理电力负荷海量数据中的应用情况。基于Hadoop优化的支持向量机预测模型在面对大量数据时，其处理速度和预测精度都优于传统SVM预测模型。通过相似度匹配，将具有高相关性的历史负荷挑选出后作为预测模型的输入，能够进一步的提高预测模型的准确度。同时，运用基于机器学习的自循环增量支持向量机回归算法将数据进行循环更新，增加其聚类结果的丰富性，进而提高预测模型的精确度。通过一系列的数据预处理，优化了传统的支持向量机，提高了预测模型的处理速度和预测准确度。
随着智能电网的发展，实时电网价格也是影响电网负荷的一个重要因素，因此未来计划中实时电价也会作为主要影响因素进行建模输入。同时由于数据量和实验室环境的限制，电网负荷数据集的大小只能达到GB级别。但是，其预测结果能够说明在数据量逐步增加的情况下，使用该方法能够满足负荷预测的需求。同时，随着负荷数据和影响因素数据的不断累积以及更加详尽的补充，通过机器学习的自循环算法和聚类分簇能够更加精确和详细的对电网负荷进行分簇统计。通过高精度的相似度匹配、分组以及并行运算，有利于帮助研究人员处理更大数据集和更加复杂电力系统模型。
参考文献
[1]Nie H, Liu G, Liu X, et al. Hybrid of ARIMA and SVMs for Short-Term Load Forecasting[J]. Energy Procedia, 2012,16(5):1455-1460.
[2]Wang J, Jia R, Zhao W, et al. Application of the largest Lyapunov exponent and non-linear fractal extrapolation algorithm to short-term load forecasting[J]. Chaos Solitons & Fractals, 2012, 45(9–10):1277-1287.
[3]Raza M Q, Khosravi A. A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings[J]. Renewable & Sustainable Energy Reviews, 2015, 50:1352–1372.
[4]Xiao L, Wang J, Hou R, et al. A combined model based on data pre-analysis and weight coefficients optimization for electrical load forecasting[J]. Energy, 2015, 82:524-549.
[5]彭鹏, 彭佳红. 基于多元线性回归模型的电力负荷预测研究[J].中国安全生产科学技术, 2011, 07(9):158-161.
PENG Peng, Jiahong Pneg. Research On The Prediction Of Power Load Based On Multiple Linear Regression Model[J]. Journal Of Safety Science And Technology, 2011, 07(9):158-161
[6]Amral N, Ozveren C S, King D. Short term load forecasting using Multiple Linear Regression[C]// Universities Power Engineering Conference, 2007. Upec 2007. International. 2007:1192 - 1198.
[7]Wei L, Zhen-Gang Z. Based on Time Sequence of ARIMA Model in the Application of Short-Term Electricity Load Forecasting[C]// 2009 International Conference on Research Challenges in Computer Science. IEEE Computer Society, 2009:11-14.
[8]Göb R, Lurz K, Pievatolo A. Rejoinder to the discussions of the paper on ‘Electrical load forecasting by exponential smoothing with covariates’[J]. Applied Stochastic Models in Business and Industry, 2013, 29(6):629–645.
[9]Kouhi S, Keynia F. A new cascade NN based method to short-term load forecast in deregulated electricity market[J]. Energy Conversion & Management, 2013, 71(1):76–83.
[10]Rocio Cogollo M, Velasquez J D. Methodological Advances in Artificial Neural Networks for Time Series Forecasting[J]. IEEE Latin America Transactions, 2014, 12(4):764-771.
[11]Bodyanskiy Y, Popov S, Rybalchenko T. Multilayer Neuro-fuzzy Network for Short Term Electric Load Forecasting[C]// International Conference on Computer Science: Theory and Applications. Springer-Verlag, 2008:339-348.
[12]Nagi J, Yap K S, Nagi F, et al. A computational intelligence scheme for the prediction of the daily peak load[J]. Applied Soft Computing, 2011, 11(8):4773-4788.
[13]Selakov A, Cvijetinovi&#, , D, et al. Hybrid PSO-SVM method for short-term load forecasting during periods with significant temperature variations in city of Burbank[J]. Applied Soft Computing, 2014, 16(3):80-88.
[14]Simmhan Y, Aman S, Kumbhare A, et al. Cloud-Based Software Platform for Big Data Analytics in Smart Grids[J]. Computing in Science & Engineering, 2013, 15(4):38-47.
[15]Zhang P, Wu X, Wang X, et al. Short-term load forecasting based on big data technologies[J]. Applied Mechanics & Materials, 2015, 1(3):59-67.
[16]Yu F, Xu X. A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network[J]. Applied Energy, 2014, 134(134):102-113.
[17]Hernández L, Baladrón C, Aguiar J M, et al. A Study of the Relationship between Weather Variables and Electric Power Demand inside a Smart Grid/Smart World Framework[J]. Sensors, 2012, 12(9):11571-91.
[18]张少敏,赵硕,王保义.基于云计算和量子粒子群算法的电力负荷曲线聚类算法研究[J].电力系统保护与控制,2014(21):93-98.
Shaomin Zhang, Shuo Zhao, Baoyi Wang. Research Of Power Load Curve Clustering Algorithm Based On Cloud Computing And Quantum Particle Swarm Optimization[J]. Power System Protection And Control, 2014(21):93-98.
[19]李培强,李欣然,陈辉华,等.基于模糊聚类的电力负荷特性的分类与综合[J].中国电机工程学报,2005,25(24):73-78.
Peiqiang Li, Ranxin Li, Huihua Chen, Waiwen Tang, ect. The Characteristics Classification And Synthesis Of Power Load Based On Fuzzy Clustering[J]. Proceedings of the CSEE, 2005, 25(24):73-78.
[20]Yang Y L, Che J X, Li Y Y, et al. An incremental electric load forecasting model based on support vector regression[J]. Energy, 2016, 113:796-808.
[21]Loebman S, Nunley D, Kwon Y C, et al. Analyzing massive astrophysical datasets: Can Pig/Hadoop or a relational DBMS help?[C]// IEEE International Conference on Cluster Computing & Workshops. IEEE, 2009:1-10.
[22]MapReduce, Simplied, Data, Processing, on, Large, Clusters. MapReduce: Simplied Data Processing on Large Clusters[J]. IEEE Micro, 2004, (1): 1-13
[23]Garcia H, Ludu A. The Google file system[C]// Acm Sigops Operating Systems Review. ACM, 2003:29-43.
[24]张素香, 刘建明, 赵丙镇,等基于云计算的居民用电行为分析模型研究[J].电网技术, 2013(6).
Suxiang Zhang, Jianming Liu, Bingzhen Zhao,ect. Cloud Computing-based Analysis On Residential Electricity Consumption Behavior[J]. Power System Technology, 2013(6).
[25]Cary A, Sun Z, Hristidis V, et al. Experiences on Processing Spatial Data with MapReduce[C]// Scientific and Statistical Database Management, International Conference, SSDBM 2009, New Orleans, La, Usa, June 2-4, 2009, Proceedings. 2009:302-319.
[26]V, Cherkassky. The nature of statistical learning theory[M]. United States:Springer, 1997.
作者简介
卢智峰(1969年)，男，本科，工程师，主要研究方向为PLC、工厂供配电、自动化管理工作。电话：13826311805,邮箱：13826311805@139.com。
赵海帆(1993年)，男，河南商丘人。研究生，硕士，主要研究方向为智能电网，负荷预测。电话：15616129699，E-mail：haifanisme@163.com。
唐朝晖(1965年)，男，湖南长沙人，教授，博士，主要研究方向为智能电网，工业建模。电话:13975894848，E-mail: 123099712@qq.com。
史伟东(1992年)，男，甘肃天水人，研究生，硕士，主要研究方向为智能电网，需求管理。电话:15693881226，E-mail: 752322951@qq.com。
论文作者:卢智峰1,赵海帆2,唐朝晖2,史伟东2
论文发表刊物:《基层建设》2017年第20期
论文发表时间:2017/11/3
标签：负荷论文; 数据论文; 向量论文; 模型论文; 电力论文; 电网论文; 方法论文; 《基层建设》2017年第20期论文;