论文部分内容阅读
负荷分类对于指导电网发用电规划与保证电网可靠运行具有重要意义.面向负荷数据海量化与复杂化趋势,传统负荷分类方法已无法满足用电大数据分析要求.首先,针对用户侧数据体量大、类型多、速度快等特点,在Spark平台上将反向传播神经网络(BPNN)算法并行化,实现对海量负荷数据的高效分类.然后,通过对训练样本抽样分块以降低各网络学习时间,针对分布式后BPNN基分类器由于学习样本缺失潜在的准确度下降问题,采用集成学习予以改善.并通过BPNN学习不同训练样本块构建差异化基分类器,对基分类结果多数投票得到最终分类结果.另外,提供了一种基于K-means和K-medoids聚类的负荷数据训练样本选取方法.算例表明所提方法既能对负荷曲线有效分类,又能大幅提高海量数据的处理效率.