基于MR-CPGA-Elman的電力負荷并行預測研究

林麒麟　俸世洲

摘要：針對海量負荷數據分析，本文提出了一種MR-CPGA-Elman的并行負荷預測模型。首先采用粗粒度并行遺傳算法（CPGA）對Elman網絡權重和閾值進行了優化;然后結合MapReduce進行分布式并行計算;最后以實際負荷數據為例，說明該方法能提高預測精度和計算效率。

關鍵詞：海量負荷數據;并行預測;MapReduce;CPGA;Elman網絡

中圖分類號：TM715 文獻標識碼：A 文章編號：1007-9416（2019）06-0101-02

0 引言

負荷預測技術是電力大數據的重要應用之一，旨在加深對用戶用電需求的認知水平，建立科學的管理營銷決策平臺[1]。隨著智能電網、通信網絡和傳感器技術的發展，電力數據采集系統積累了數百萬條記錄，每年的數據存儲規模將從目前的GB級增長到TB級，甚至是PB級[2]。為此，本文提出了MR-CPGA-Elman并行負荷預測模型。首先采用粗粒度并行遺傳算法（Coarse-Grained Parallel Genetic Algorithm，CPGA）對其權重和閾值進行了優化。同時，為了提高處理海量數據的能力，借助分布式并行編程框架MapReduce模型進行并行計算。最后，以某地區負荷數據進行相關實驗，結果表明該方法能夠提高海量負荷數據的處理精度和效率，對電力企業有一定的實際意義。

1 MapReduce框架

MapReduce是一種分布式計算技術，采用計算機集群，解決海量數據集分布式計算問題[3]。MapReduce主要由Map和Reduce兩大功能組件構成，基本思想是“分而治之”。首先將數據進行分片，分配給相應的Map對應的工作節點;然后在Map節點上產生相應的鍵值對，再經Shuffle階段對鍵值對進行一定的排序，以及Map內相同鍵的合并，最后將其輸出作為Reduce的輸入，在Reduce工作節點上進行最后的歸約合并處理，將相同的鍵值對進行合并計算，從而實現分布式并行計算的過程。

2 MR-CPGA-Elman模型

本文首先采用粗粒度并行遺傳算法（CPGA）優化Elman神經網絡的權值閾值，具體優化流程如圖1所示。首先產生N個子群體，然后將N個子群體分配給相應的Map節點，在Map節點上進行選擇、交叉以及變異操作，再進行環形遷移操作，將適應度值高的子個體遷移到不同的子群體里進行適應度值大小的比較，形成環形遷移比較，最后經過Reduce節點進行歸約合并處理，選出模型的最優權值閾值。

本文以某地區電力負荷數據進行分析，首先將訓練樣本分為若干個測試集樣本，然后分配給相應的Map節點，在每個Map節點分別運行CPGA-Elman算法進行訓練，在Reduce節點上選取最優的權值閾值，建立相應的預測模型，輸入測試集樣本進行預測分析。同時與Elman算法進行對比分析，預測結果如圖2所示。此外，還進行了不同數據集下Elman模型與MR-CPGA-Elman模型耗費時間的對比分析，如圖3所示。

由圖2可知，MR-CPGA-Elman模型預測精度明顯高于Elman模型，而且由圖3可知，數據集樣本越大MR-CPGA-Elman模型預測時間越快。由以上兩點充分說明了本文提出的模型的有效性，具有更好的預測精度以及更快的預測時間。

3 結語

本文針對海量電力負荷數據樣本在傳統的模型下無法進行快速準確預測情況下，提出了MR-CPGA-Elman模型。首先利用CPGA算法優化Elman網絡的權值閾值，然后結合MapReduce分布式并行編程框架，進行分布式并行預測，實驗結果表明該方法具有更好更快的預測效果，具有一定的實際意義。

參考文獻

[1] 中國電機工程學會信息化專委會.中國電力大數據發展白皮書[R].北京：中國電力出版社，2013.

[2] 劉曉娟.基于智能方法的電力系統負荷預測模型及其應用研究[D].東華大學，2013.

[3] 謝開貴，李春燕，周家啟.基于神經網絡的負荷組合預測模型研究[J].中國電機工程學報，2002（07）：85-89.

Parallel Load Forecasting of Electric Power System Based on MR-CPGA-Elman

LIN Qi-lin，FENG Shi-zhou

（Chongqing Normal University Foreign Trade and Business College，Chongqing? ?401520）

Abstract：A parallel load forecasting model based on MR-CPGA-Elman is proposed for massive load data analysis. Firstly， the weights and thresholds of Elman network are optimized by using coarse-grained parallel genetic algorithm （CPGA）; then， distributed parallel computation is carried out by combining MapReduce; finally， the actual load data is taken as an example to illustrate that the method can improve the prediction accuracy and calculation efficiency.

Key words：massive electric power data; parallel load forecasting; MapReduce; CPGA; Elman