Print

改进的并行模糊核聚类算法在电力负荷预测的应用

论文摘要

用户用电典型模式的分类预测是电力负荷预测的重要组成部分。针对单核模糊C均值算法在电力大数据挖掘中不能兼顾预测精度和普适性能好的问题,提出了一种电力短期负荷场景中改进的无监督学习多核模糊C均值聚类算法,建立了双层神经网络的电力数据负荷预测模型对比该改进的算法对电力负荷预测效果的影响。用户数据由MapReduce并行化处理加速。数值实验结果表明:改进的算法在实际电力用户数据集中,具有广泛的适用性和有效性,同时能显著提高电力短期负荷预测的精度。

论文目录

  • 0 引言
  • 1 核模糊C均值聚类算法
  •   1.1 聚类算法
  •   1.2 核方法与核函数
  •   1.3 核模糊C均值聚类算法
  • 2 基于MapReduce的并行化计算
  •   2.1 MapReduce编程
  •   2.2 程序的并行化处理
  • 3 实验与分析
  •   3.1 标准数据库的算例分析
  •   3.2 实际用电数据的预处理及数据集的构造
  •   3.3 实际用电数据的算例分析
  • 4 结束语

    • 文章来源

    类型: 期刊论文

    作者: 谢伟,赵琦,郭乃网,苏运,田英杰

    关键词: 用电大数据,短期负荷预测,多核模糊均值聚类,并行计算

    来源: 电测与仪表 2019年11期

    年度: 2019

    分类: 工程科技Ⅱ辑

    专业: 电力工业

    单位: 国网上海市电力公司,复旦大学数学科学学院

    基金: 国家电网公司科技项目(52094017002U)

    分类号: TM715

    DOI: 10.19753/j.issn1001-1390.2019.011.009

    页码: 49-54+60

    总页数: 7

    文件大小: 1190K

    下载量: 419

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/e24b11054823ff3901790ce7.html