孙志伟
- 作品数：3 被引量：282H指数：2
- 供职机构：华北电力大学控制与计算机工程学院更多>>
- 发文基金：中央高校基本科研业务费专项资金国家自然科学基金更多>>
- 相关领域：电气工程一般工业技术更多>>
- 一种基于内存计算的电力用户聚类分析方法被引量：7
- 2015年
- 随着智能电表与采集终端采集的用电数据迅猛增长,传统数据分析方法已经不能满足大数据环境下智能用电行为分析的需要。鉴于K-means算法具有计算效率高、容易并行化等特点,采用弹性分布式数据集与并行内存计算框架对其进行改进与并行化,减少作业的运行与输入输出操作时间,提高聚类分析的处理能力。对用电测量数据进行预处理构建实验数据集,实验结果表明本方法对电力用户聚类分析的准确率高于单机K-means方法,其处理速度和能力明显优于单机和基于Map Reduce并行计算框架的聚类方法,并对数据的增长具有较好的适应性。
- 王德文孙志伟
- 关键词：大数据聚类分析
- 电力用户侧大数据分析与并行负荷预测被引量：276
- 2015年
- 随着智能电网、通信网络技术和传感器技术的发展,电力用户侧数据呈指数级增长、复杂程度增大,逐步构成了用户侧大数据。传统的数据分析模式已无法满足需求,迫切需要解决电力用户侧的大数据在分析与处理方面的难题。该文分析电力用户大数据的来源,针对电力用户侧大数据的数据量大、种类繁多与速度快等特点,指出电力用户侧的大数据在数据存储、可用性、处理等方面面临的挑战。结合云计算技术提出一种电力用户侧大数据分析处理平台,将智能电表、SCADA系统和各种传感器中采集的数据整合,并利用并行化计算模型Map Reduce与内存并行化计算框架Spark对电力用户侧的大数据进行分析。提出基于随机森林算法的并行负荷预测方法,将随机森林算法进行并行化,对历史负荷、温度、风速等数据进行并行化分析,缩短负荷预测时间和提高随机森林算法对大数据的处理能力。设计并实现基于Hadoop的电力用户侧大数据并行负荷预测原型系统,包括数据集群的管理、数据管理、预测分类算法库等功能。采用不同大小的数据集对并行化随机森林算法进行负荷预测实验,实验结果表明,并行化随机森林算法的预测精度明显高于决策树的预测精度,且在不同数据集上预测精度普遍高于决策树的预测精度,能够较好的对大数据进行分析处理。
- 王德文孙志伟
- 关键词：大数据负荷预测并行处理云计算
- 基于帝王蝶算法的CNN-GRU-LightGBM模型短期风电功率预测
- 2025年
- 风电集群大规模并网和跨季节使用产生的不确定性对风电功率预测播报的准确度提出更高的要求。为提高风电功率预测的准确度,提出一种基于帝王蝶优化算法(MBO)的卷积神经网络(CNN)-门控循环单元(GRU)-梯度提升学习(LightGBM)复合风电功率预测模型。首先,分别建立CNN-GRU和LightGBM的风电功率预测模型,利用方差倒数法将两个模型加权组合为CNN-GRU-LightGBM复合模型;为优化模型中的连续参数,使用MBO对模型进行超参数优化。最后,选取珠海某海上风电场的短期风电功率数据对所提方法与已有预测方法进行对比,实验结果表明,该模型结合了CNN-GRU、LightGBM等模型的优点,预测误差更小,预测精度更高,拥有更强的季节普适性。
- 向阳刘亚娟孙志伟张效宁卢建谋
- 关键词：风电功率预测卷积神经网络
