基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法

随着智能电网、通信网络技术和传感器技术的发展,电力负荷数据规模呈现指数形式增长、且复杂程度增大,逐步构成了电力负荷大数据,传统负荷预测方法已无法满足海量负荷大数据分析的要求。提出一种基于Hadoop架构的多重分布式BP神经网络的短期负荷预测方法。该方法首先在从BP神经网络原理层对其输入信号的正向传递、误差信号的反向传播过程予以剖析的基础上,研究并建立基于Hadoop架构中Map Reduce框架的BP神经网络负荷分布式预测模型;其次,为弱化其"过拟合"问题,在引入"多重"概念的基础上,提出基于灰色关联度和最短距离法聚类的方式择取多重分布式BP神经网络预测模型初始重数和成员集的方法,并定义衡量聚类优劣的有效指标,以确定合理重数。实验结果表明,多重分布式BP神经网络预测方法相比传统BP神经网络,预测精度更高。