文献类型：期刊文章

作　　者：苏学能[1] 刘天琪[1] 曹鸿谦[2] 焦慧明[1] 于亚光[2] 何川[1] 沈骥[2]

机构地区：[1]四川大学电气信息学院,四川省成都市610065 [2]国网信通产业集团北京中电普华信息技术有限公司,北京市海淀区100192

出　　处：《中国电机工程学报》

年　　份：2017

卷　　号：37

期　　号：17

起止页码：4966-4973

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：随着智能电网、通信网络技术和传感器技术的发展,电力负荷数据规模呈现指数形式增长、且复杂程度增大,逐步构成了电力负荷大数据,传统负荷预测方法已无法满足海量负荷大数据分析的要求。提出一种基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法。该方法首先在从BP神经网络原理层对其输入信号的正向传递、误差信号的反向传播过程予以剖析的基础上,研究并建立基于Hadoop架构中Map Reduce框架的BP神经网络负荷分布式预测模型;其次,为弱化其"过拟合"问题,在引入"多重"概念的基础上,提出基于灰色关联度和最短距离法聚类的方式择取多重分布式BP神经网络预测模型初始重数和成员集的方法,并定义衡量聚类优劣的有效指标,以确定合理重数。实验结果表明,多重分布式BP神经网络预测方法相比传统BP神经网络,预测精度更高。

关 键 词：负荷预测 Hadoop架构  分布式计算 BP神经网络 灰色关联度  

分 类 号：TM743]