基于大數(shù)據(jù)的居民用電行為分析與負荷預測.pdf

1、隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、無線傳感器等新一代技術的發(fā)展，加快了智能電網(wǎng)建設的速度。在智能電網(wǎng)的建設過程中，先進的計量設備、智能終端設備被大量安裝與使用，居民的用電方式也趨于多元化。深入感知居民的實際功耗模式對提高負荷預測的精度、保障電力系統(tǒng)的正常運行、能量管理和規(guī)劃至關重要。
　　本文首先分析居民用電大數(shù)據(jù)的來源，針對居民用電大數(shù)據(jù)體量大、類型復雜、速度快與交互性強等特點，指出居民用電大數(shù)據(jù)在存儲、處理等操作所面臨的挑戰(zhàn)。然后提出了一種

2、基于大數(shù)據(jù)的居民用電行為分析與負荷預測模型，該模型將智能電表、氣象、節(jié)假日等數(shù)據(jù)作為輸入，并使用基于內存計算的大數(shù)據(jù)處理框架Spark對居民用電大數(shù)據(jù)進行挖掘與分析。最后設計并開發(fā)基于大數(shù)據(jù)的居民用電行為分析與負荷預測原型系統(tǒng)，系統(tǒng)包括Spark集群管理、負荷數(shù)據(jù)管理、算法分析、預測結果展示等模塊。
　　將基于Spark的K-Means聚類算法應用于居民用戶的用電模式聚類實驗，實驗結果表明對居民用戶分類具有較高的正確率。并將其運行

3、效果與傳統(tǒng)K-Means算法運行效果進行對比，實驗結果表明隨著數(shù)據(jù)集規(guī)模的不斷擴大，基于Spark的K-Means算法表現(xiàn)出良好的性能，減少了聚類執(zhí)行的時間和提高了聚類的準確性。并針對不同類別的居民用戶進行用電行為的分析。
　　基于上述實驗，針對每類居民用戶建立負荷預測模型，分別使用基于Spark的多層感知器神經(jīng)網(wǎng)絡算法（MLP-NN）與基于Spark的SVM算法實現(xiàn)每類居民用戶的負荷預測，實驗結果表明MLP-NN具有較高的預測精