基于大数据和优化神经网络短期电力负荷预测

随着电力数据采集成本降低及大规模电网互联等因素,电网中可获取的数据类型日益丰富。以往的集中式预测方法对海量电力数据的分析能力有限。提出基于大数据和粒子群优化BP神经网络短期电力负荷预测,建立短期电力负荷预测模型。利用国家电网的实际负荷数据,采用所提方法进行预测,与实际负荷数据及集中式负荷预测结果进行比较,结果证明,所提方法预测精度较高,降低了负荷预测时间,在实际应用中具有可行性。

基于Spark框架和PSO优化算法的电力通信网络安全态势预测

随着电力通信网络规模的不断扩大,电力通信网络不间断地产生海量通信数据。同时,对通信网络的攻击手段也在不断进化,给电力通信网络的安全造成极大威胁。针对以上问题,结合Spark大数据计算框架和PSO优化神经网络算法的优点,提出基于Spark内存计算框架的并行PSO优化神经网络算法对电力通信网络的安全态势进行预测。本研究首先引入Spark计算框架,Spark框架具有内存计算以及准实时处理的特点,符合电力通信大数据处理的要求。然后提出PSO优化算法对神经网络的权值进行修正,以增加神经网络的学习效率和准确性。之后结合RDD的并行特点,提出了一种并行PSO优化神经网络算法。最后通过实验比较可以看出,基于Spark框架的PSO优化神经网络算法的准确度高,且相较于传统基于Hadoop的预测方法在处理速度上有显著提高。

电力大数据应用体系定位与方向初探

电力工业是国民经济的重要基础,电力企业积累了大量的数据资源,业务数据从总量和种类上都已颇具规模,具备了良好的大数据应用基础,电网规划建设、运行、管理、智能用电等领域存在着广泛的大数据应用需求。对电力大数据应用的体系定位、应用方向、推行难易程度等进行了分析,并深入剖析日常巡检、运行风险评估、用电行为分析等典型大数据应用。