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?！?br>