基于大数据聚类的电力系统中长期负荷预测

作者：徐源; 程潜善; 李阳; 张浩; 余伟; 何冰

来源：电力系统及其自动化学报, 2017, 29(08): 43-48.

DOI：10.3969/j.issn.1003-8930.2017.08.007

• 大数据
• 中长期负荷预测
• 聚类分析
• Map Reduce
• 并行编程

随着电网数据收集能力的提升,积累了海量的负荷及相关数据,为负荷预测开辟了新的思路。提出了一种应用大数据技术的中长期负荷预测新方法。首先通过历史负荷序列的增长趋势、波动性等变化特性的参数化表达,实现负荷的标准化处理,形成大数据聚类的样本;然后结合大数据分析平台的数据处理能力设计了基于Map Reduce并行编程模型的改进模糊K-means聚类方法,实现对负荷大数据的聚类划分;最后综合相同聚类负荷,并建立预测模型。计算结果表明,大数据聚类算法能有效地进行大量负荷数据的聚类划分,实现不同增长特性负荷的区分预测,具有较高的预测精度。

• 单位
  国网四川省电力公司绵阳供电公司; 武汉大学