基于极限学习机的分布式电力负荷预测

基于极限学习机的分布式电力负荷预测

许小雪

（国网江苏省电力有限公司昆山市供电分公司江苏昆山215300）

摘要：随着我国的经济在快速的发展，社会在不断的进步，现代电力负荷数据以海量形式存在，传统单机模式无法满足电力负荷在线预测效果的要求。为了改善大规模电力负荷数据的预测效果，设计了基于极限学习机的分布式电力负荷预测模型。首先提取电力负荷数据，通过混沌理论的相空间重构方法对电力负荷数据进行预处理，产生电力负荷数据预测建模样本，然后将电力负荷数据预测建模样本细分成为多个子样本，通过云计算集群系统的分布式方式并行实现子样本建模，每一个小样本通过极限学习机进行建模和预测，最后采用具体电力负荷数据进行了仿真测试实例研究，测试结果表明，本文模型加快了大规模电力负荷数据建模速度，可以足电力负荷在线预测效果，而且电力负荷预测精度要明显优于当前其它电力负荷预测模型。

关键词：电力负荷；单机模式；分布式处理方式；极限学习机；云计算集群系统

引言

负荷预测是发电厂发电量规划和变电站制定分配用电计划不可或缺的考虑因素，在现代电力发展非常迅速的前提下，正确的系统操作和计划非常必要。操纵整个系统的工作方法是电力系统调配的目标，让系统能够提供高质量的电能，确定系统能够节约运行且安全，而且能够具有较强的自愈能力。它从已知的用户需求、负荷的特性、电网发展、社会条件等这些因子着手，剖析过去的负荷值，对未来需要的负荷值做出预测。通过得到的预测值，能够有目的的运用各种方法，像进行用电量的控制、增加低谷时的用电设备、采用储热储冷的技术等，变化电能耗电在时间上的散布，把耗电侧需要的电量从用电高峰期减少，转移或者提高用电低谷期的耗电量，用来增强电网操作的经济性以及可靠性。精确的负荷预测，能够节约的调度系统内的发电机的开机和停运，保障系统能够健康持续的运行，降低不需要的旋转储备容量，制定可行的维修方案，使社会生产和人们生活能够稳定进行，可靠的减少电能生产的资金，增加收益和回馈社会的力度。现有技术中的短期电力负荷预测系统通常需要对多个不同位置处的电力负载功率进行采样分析，然而不同位置处的采样数据在时间节点上存在一定的误差，从而容易影响短期电力负荷预测分析结果的准确性。为此，本文设计了一种分布式多点采样短期电力负荷预测系统，主要是给出了短期电力负荷预测系统的技术方案以及分布式多点采样短期电力负荷预测系统的实例。

1云计算和极限学习机

1.1云计算

Apache基金会开发的Hadoop云计算平台是一个成功的开源实现，由MapＲeduce框架和分布式文件系统(HDFS)支撑．MapＲeduce将复杂并行计算抽象为两个可由用户编写的函数，即Map和Ｒeduce函数．底层的运行系统自动并行的在大规模集群上运算，并掌控机器故障的处理，调度安排集群节点间通信，使整个集群高效地使用网络和磁盘．MapＲeduce框架首先将分布式文件系统(HDFS)读入的数据分割成数据片;将数据片看做一组(Key，value)键值对，进入Map操作，按用户编写的Map函数程序逻辑，运行、处理框架分配的(Key，value)键值对，生成新的(Key，value)中间键值对;通过Shuffle阶段，进行排序、合并等操作，形成(Key，listofvalues);最后，执行Ｒeduce阶段，迭代遍历所有中间值，以及相对应的中间键或中间键链(listofvalues)，按用户编写的Ｒeduce函数执行行用户指定数据处理，最后输出新的(Key，value)键值对．

1.2极限学习机

对于一个采集了k个训练样本的预测问题，训练样本组成的集合为

这些数据以时间先后进行收集和组织的，是一种典型的时间序列，通过一定处理变成为多维时间序列，即:

m

表示维数，那么这样极限学习机的回归可以表示

s．t．

要建立基于极限学习机的回归模型，首先要对式的参数进行求解，而对参数直接求解相当复杂，一般情况下难以进行，为了简化求解过程，常引入拉格朗函数进行变换，这样就变为:

s．t．

式中，Hk表示矩阵;w表示权值。对式求偏导，并且使偏导数为零，则能够产生

t和x分别为输入和输出，这样问题输出的预测值为

2极限学习机的分布式电力负荷预测模型设计

图1电力负荷预测模型的框架

1）极限学习机的分布式电力负荷预测模型框架当前电力负荷数据呈几何倍增多，单机工作模式难以与电力负荷建模与预测要求相适应，为此设计了基于极限学习机的分布式电力负荷预测模型。将力负荷建模与预测任务划分多个子任务，每一个子任务通一个节点来实现力负荷建模与预测，最后通过加权平均得到电力负荷的最后预测结果，模型的框架如图1所示。2）分布式电力负荷预测步骤(1)采集电力负荷的数据，并进行混沌处理，得到电力负荷的建模样本。(2)将电力负荷样本划分为训练样本和测试样本。(3)将电力负荷训练样本划分多个不同的负荷样本训练子集，其中子样本集数量与Map的数量相等。(4)采用极限学习机对每一个训练子样本集进行学习。(5)计算每一个极限学习机的电力负荷预测结果。(6)确定极限学习机的电力负荷预测结果的权重值。(7)根据权重值得到电力负荷的最终预测值。(8)对电力负荷的测试样本预测，并对预测结果进行分析，验证模型的有效性。

3实验环境、数据集和评价指标

实验室搭建Hadoop的平台由9个节点组成，每个节点物理机配置为四核CPU，主频2．60GHz，4GＲAM，网络带宽为100Mbps．Hadoop版本为0．20．2．为了比较传统K-means算法与本文提出的VTCK算法的聚类质量，选用国际通用测试数据库UCI上的SyntheticControlChartTimeSeriers数据集(称作SCCS)、Iris数据集和GlassIdentification数据集(称作GI)作为测试用例．采用加速比(speedup)作为评价指标，验证改进算法的并行性能．最后，选用2001年欧洲智能技术网络(EuropeanNet-workonIntelligentTechnologies，EUNITE)组织的中期电力负荷预测竞赛提供的某地区97、98年真实负荷数据集，维度为48维(每日采样48点)，对此真实电力负荷数据集在云平台上执行提出的算法，提取其电力负荷特征曲线，测试算法在实际应用中的表现．

结语

提出了基于极限学习机的分布式电力负荷智能预测模型，并通过具体仿真测试得到如下结论:(1)根据电力负荷数据复杂、多变的特点，引入了相空间重构理论对原始电力负荷数据将看似无规律的电力负荷数据变有规模的数据，有利于分析电力负荷数据中隐含的规律，有助于后续的电力负荷数据建模。(2)根据电力负荷数据海量化特点，引入云计算集系统将海量化数据进行分布式处理，并行实现电力负荷数据的建模与预测，加快电力负荷的建模速度，以满足大规模电力负荷数据的在线预测要求。(3)针对电力负荷数据的非线性变化特点，引入了极限学习机对电力负荷数据变化特点进行拟合，有效提高了电力负荷的预测精度。(4)无论是电力负荷预测精度或者是建模效率，相对于当前其它电力负荷预测模型，本文模型均具有不可比拟的优势，为海量电力负荷数据预测问题提供了一种有效的解决方法。

参考文献

[1]宋亚奇，周国亮，朱永利．智能电网大数据处理技术现状与挑战[J]．电网技术，2013，37(4):927－935．

[2]张思远，何光宇，梅生伟，等．基于相似时间序列检索的超短期负荷预测[J]．电网技术，2008，32(12):56－59．