1.一种基于云计算技术的中长期电力负荷组合预测系统,其特征在于:
所述系统包括四个部分:数据预处理部分、基于GEP的负荷预测部分、基于Elman神经网络负荷预测部分、子负荷预测模型优化组合部分;
所述数据预处理部分对异常数据进行识别和处理,消除电力负荷数据中因偶然因素而产生的误差数据;
所述数据预处理部分由两部分组成:原始数据噪声识别部分和噪声处理部分;对于原始的电力负荷数据采用基于相关系数k‑means算法,筛选出异常数据,当聚类簇的密度ρt<
0.00032时,数据定义为噪声簇;筛选出噪声数据后,再在该数据出现的时间段采用中位值滤波算法,该算法的动态窗口大小设定为5,表示取该数据的前后各两个数据对该噪声数据进行修正,消除电力负荷数据中因偶然因素而产生的误差数据;
所述基于GEP的负荷预测部分采用融合的GA和GP的电力负荷预测算法;
所述基于Elman神经网络负荷预测部分利用Elman神经网络进行中长期电力负荷的预测;
所述基于Elman神经网络负荷预测部分由两部分构成:基于GEP的Elman神经网络的权值优化输出、基于优化权值的基于Elman神经网络负荷预测;Hadoop的三个子节点分别建立独立的基于Elman神经网络,先对神经网络的权值采用GEP算法处理得到最优的优化权值,然后将最优的权值用到神经网络中训练负荷数据,最终输出基于Elman的负荷预测模型;
所述子负荷预测模型组合部分对基于GEP的负荷预测部分和基于Elman神经网络负荷预测部分得出的负荷预测模型进行组合优化,从而得出理想的中长期电力负荷组合模型。
2.根据权利要求1所述的一种基于云计算技术的中长期电力负荷组合预测系统,其特征在于:所述基于GEP的负荷预测部分,分为数据分类与数据处理两部分;数据分类部分将数据分为三种类型,一是适合中期负荷预测的历史数据,二是适合长期负荷预测的历史数据,三是为弥补意外经济、环境、气候状况造成的电路负荷的变动情况而引入的负荷数据,避免负荷预测值与常规预测值出现较大偏差,扩展中长期电力负荷预测;数据处理部分利用Hadoop分布式处理结构,将三类数据由主节点分配到三个子节点分别独立的进行基于GEP算法的负荷预测。
3.根据权利要求1所述的一种基于云计算技术的中长期电力负荷组合预测系统,其特征在于:子负荷预测模型优化组合部分,将六个节点输出的六种子负荷预测模型采用组合优化算法,以达到最优的负荷模型效果。
4.一种基于云计算技术的中长期电力负荷组合预测方法,其特征在于:包括如下步骤:步骤1:将海量电力负荷数据通过客户端写入HDFS文件管理系统,进入步骤2;
步骤2:Hadoop分布式计算平台从HDFS数据库中读取存储的电力负荷原始数据,对原始数据进行预处理以提高负荷预测的准确度;进入步骤3;
步骤3:聚类算法计算任意数据间的相关系数以及平均相关系数,从高到低取平均相关系数进行排序,选出前k个平均相关系数作为k‑means聚类的聚类中心,聚类结束后,计算k个聚类簇的密度ρt,t=1,2,...,k,当ρt<0.00032时样本记为噪声簇Z,进入步骤4;
步骤4:计算机程序处理噪声簇样本Z,对样本Z进行噪声数据并行滤波处理,滤波处理采用中位值滤波算法;将每个窗内的最大值和最小值计算出来后,去掉最大值和最小值后平均输出;进入步骤5;
步骤5:将预处理过后负荷数据根据时间分成三类,第一类数据整理为前两年半的历史负荷数据,第二类数据为前五年的历史负荷数据,第三类的数据提取前五年的负荷数据中受不稳定的经济、环境、极端气候的意外因素影响的负荷数据,进入步骤6;
步骤6:主节点读取分类后的数据并将三类数据分别分配给Hadoop平台的三个子节点,三个子节点都建立自身的基于基因表达式编程的小系统,进入步骤7;
步骤7:将分类后的三类数据处理成文本向量,并将其作为3种不同的训练集存储到HDFS,进入步骤8;
步骤8:Hadoop平台运行并行计算模型,主节点将处理过后的三类文本向量分别分配给另外三个子节点,每个节点建立自身的Elman神经网络,利用GEP算法分别对Elman神经网络的权值进行全局寻优,迭代结束后,得到最优的初始网络权值,进入步骤9;
步骤9:将输出的最优的权值分别运用到各节点基于的Elman神经网络中,读取电力负荷数据,对Elman神经网络算法进行迭代训练,满足最大迭代要求后输出训练后的神经网络结构,进入步骤10;
步骤10:对六个节点输出的神经网络模型汇总,采用组合优化算法,最终得出最优的电力负荷预测模型,进入步骤11;
步骤10中,最优的电力负荷预测模型为:
其中的每个子节点计算结果的权值通过如下公式得出:
(j)
式中,w 为第j个子节点的权值;lit为第i年t天的负荷值; 为第j个子节点在第i年t天的虚拟预测结果;
步骤11:随机代入一组历史负荷数据到预测模型中,逐点观测预测值与实际值的差并且判断差值Δl是否大于3.5%,此过程在主节点中进行,若Δl小于3.5%,直接输出预测结果,循环结束;若Δl大于3.5%则进入步骤12;
步骤12:若Δl大于3.5%则引入扩展中长期负荷模型,令步骤10中的公式j=3,重新计算,最终输出组合预测的负荷模型,进入步骤13;
步骤13:循环结束。
5.根据权利要求4所述的一种基于云计算技术的中长期电力负荷组合预测方法,其特征在于:所述步骤2中预处理采用基于相关系数k‑means算法,筛选出异常数据,定义相关系数:若E是原始电力负荷数据,共有n个数据,设每个数据为m维数据,其中xi、xj∈E,rij是xi和xj之间的相关系数, 为数据xi的中心, 为数据xj的中心;
定义聚集簇的密度为:
其中Qt为第t个聚集簇中数据个数,V为以平均相关系数为半径的聚集簇包围球的体积,平均相关系数为 其中i=1,2,...,n。
6.根据权利要求4所述的一种基于云计算技术的中长期电力负荷组合预测方法,其特征在于:步骤4中,中位值滤波算法为:其中q为设定的窗宽大小,设为5,n为数据的长度,xmax、xmin为该窗口内数据的最大值和最小值。