[發(fā)明專利]一種基于Spark的短期電力能耗預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201910304495.X
• 申請日: 2019-04-16
• 公開（公告）號: CN110008626B
• 公開（公告）日: 2022-06-24
• 發(fā)明（設(shè)計）人: 姜書艷;趙云鵬;左志宏
• 申請（專利權(quán)）人: 電子科技大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/04;G06Q50/06
• 代理公司: 成都點睛專利代理事務(wù)所(普通合伙) 51232
• 代理人: 孫一峰

1.一種基于Spark的短期電力能耗預(yù)測方法，其特征在于，包括：

S1、基于Spark分布式計算框架，對電力能耗數(shù)據(jù)與天氣數(shù)據(jù)進(jìn)行預(yù)處理與特征工程處理；所述預(yù)處理包括進(jìn)行缺失數(shù)據(jù)的補點、離群點處理與降噪，所述特征工程處理是將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，便于更好地捕獲數(shù)據(jù)間的非線性關(guān)系；

S2、對預(yù)處理后的電力能耗數(shù)據(jù)進(jìn)行STL時間序列分解，得到趨勢項和周期項；具體為采用乘法模型STL時間序列分解算法將電力能耗數(shù)據(jù)分解為趨勢項、周期項和余項，其中，趨勢項是低頻部分，周期項是高頻部分，余項則是隨機部分，將余項舍棄；

基于Spark分布式計算框架，進(jìn)行以下步驟：

S3、通過模擬退火算法，根據(jù)得到的趨勢項和周期項查找對應(yīng)Cascade SVR模型的最優(yōu)超參數(shù)；

S4、根據(jù)得到的最優(yōu)參數(shù)訓(xùn)練趨勢項與周期項的Cascade SVR模型；具體方法為：

將輸入的訓(xùn)練集經(jīng)過切分后，分為數(shù)個獨立的分區(qū)，使用MapPartition函數(shù)對各分區(qū)的子訓(xùn)練集進(jìn)行分布式的SVM訓(xùn)練，各節(jié)點在訓(xùn)練結(jié)束后將會得到各自的支持向量，之后通過Repartition函數(shù)直接對各節(jié)點得到的支持向量進(jìn)行整合并重新分區(qū)，作為下一層各節(jié)點的輸入；

初始訓(xùn)練集的分區(qū)數(shù)根據(jù)實際使用的集群情況而確定，定義一個節(jié)點負(fù)責(zé)一個分區(qū)的數(shù)據(jù)；

根據(jù)預(yù)設(shè)的停機條件判定是否反饋全局支持向量或輸出模型，若要反饋，則通過廣播變量將全局支持向量廣播到各節(jié)點，并重新劃分訓(xùn)練集中的非支持向量進(jìn)行下一輪訓(xùn)練；

S5、將待預(yù)測數(shù)據(jù)進(jìn)行如步驟S1所述的特征工程處理，獲得預(yù)測特征數(shù)據(jù)；

S6、使用步驟S4獲得模型，對步驟S5獲得的預(yù)測特征數(shù)據(jù)，分別對趨勢項與周期項進(jìn)行預(yù)測；

S7、整合趨勢項與周期項預(yù)測數(shù)據(jù)得到預(yù)測結(jié)果。