大数据分析技术的非线性谐波负荷预测.docxVIP

大数据分析技术的非线性谐波负荷预测 TN?; TP 文献标识码： A 文章编号： ?X（）?? Abstract： The nonlinear harmonic negative based on big data analysis technology is designed to obtain the ideal results of the nonlinear harmonic load forecasting. The research progress of existing nonlinear harmonic load forecasting is analyzed to find out the reason of the poor effect of nonlinear harmonic load forecasting. The historical data of nonlinear harmonic load is collected， and the big data analysis technology is introduced to model and learn it. The parameters of nonlinear harmonic load forecasting model are optimized to establish the optimal nonlinear harmonic load forecasting model. The performance of the nonlinear harmonic load forecasting model is tested on the Matlab platform. The results show that the accuracy of the nonlinear harmonic load forecasting of this method is more than %， the deviation of the nonlinear harmonic load forecasting is obviously smaller than that of other current methods of the nonlinear harmonic load forecasting， the modeling efficiency of the nonlinear harmonic load forecasting is accelerated， and the better nonlinear harmonic load forecasting results are obtained. Keywords： nonlinear harmonic load; load forecasting; big data analysis technology; parameter optimization; forecasting modeling; verification test 引 言 隨着人们生活水平的不断提高，人们的用电量也急剧上升，对电力系统的稳定性和供电质量要求日益提高[?]。谐波会对电力系统的稳定性和供电质量产生一定的影响，因此高精度谐波负荷建模与预测对电力系统分析具有重要意义[?]。 最初谐波负荷预测采用线性建模方法，如多元线性回归算法，其认为谐波负荷是一种固定的变化趋势，而实际上谐波负荷与多种因素相关，具有十分强烈的非线性、时变特性，当前非线性谐波负荷预测方法无法描述其变化规律，使得谐波负荷预测的误差大[?]。随后人们提出基于人工神经网络的谐波负荷预测方法，其可以对谐波负荷的非线性化特点进行分析，获得了比线性建模方法更优的谐波负荷预测效果[?];但是人工神经网络的结构复杂，谐波负荷预测结果极不稳定，而且收敛速度慢，影响谐波负荷预测的建模效率。因此，谐波负荷预测有待进一步研究[?]。 为了获得理想的非线性谐波负荷预测结果，设计基于大数据分析技术的非线性谐波负荷预测方法，并通过具体实验分析了本文非线性谐波负荷预测方法的有效性和优越性。 大数据分析技术的非线性谐波负荷预测 . 聚类分析算法 聚类分析算法将数据[X=x，x，…，xn]划分为C类，隶属矩阵为： . 支持向量机 . 粒子群优化算法 xi和vi为第i个粒子的位置向量和速度，pi和pg为个体和群体的当前最优位置，那么粒子状态更新为： . 大数据分析技术的非线性谐波负荷预测步骤 ） 采