林麒麟　俸世洲

摘要：针对海量负荷数据分析，本文提出了一种MR-CPGA-Elman的并行负荷预测模型。首先采用粗粒度并行遗传算法（CPGA）对Elman网络权重和阈值进行了优化;然后结合MapReduce进行分布式并行计算;最后以实际负荷数据为例，说明该方法能提高预测精度和计算效率。

关键词：海量负荷数据;并行预测;MapReduce;CPGA;Elman网络

中图分类号：TM715 文献标识码：A 文章编号：1007-9416（2019）06-0101-02

0 引言

负荷预测技术是电力大数据的重要应用之一，旨在加深对用户用电需求的认知水平，建立科学的管理营销决策平台[1]。随着智能电网、通信网络和传感器技术的发展，电力数据采集系统积累了数百万条记录，每年的数据存储规模将从目前的GB级增长到TB级，甚至是PB级[2]。为此，本文提出了MR-CPGA-Elman并行负荷预测模型。首先采用粗粒度并行遗传算法（Coarse-Grained Parallel Genetic Algorithm，CPGA）对其权重和阈值进行了优化。同時，为了提高处理海量数据的能力，借助分布式并行编程框架MapReduce模型进行并行计算。最后，以某地区负荷数据进行相关实验，结果表明该方法能够提高海量负荷数据的处理精度和效率，对电力企业有一定的实际意义。

1 MapReduce框架

MapReduce是一种分布式计算技术，采用计算机集群，解决海量数据集分布式计算问题[3]。MapReduce主要由Map和Reduce两大功能组件构成，基本思想是“分而治之”。首先将数据进行分片，分配给相应的Map对应的工作节点;然后在Map节点上产生相应的键值对，再经Shuffle阶段对键值对进行一定的排序，以及Map内相同键的合并，最后将其输出作为Reduce的输入，在Reduce工作节点上进行最后的归约合并处理，将相同的键值对进行合并计算，从而实现分布式并行计算的过程。

2 MR-CPGA-Elman模型

本文首先采用粗粒度并行遗传算法（CPGA）优化Elman神经网络的权值阈值，具体优化流程如图1所示。首先产生N个子群体，然后将N个子群体分配给相应的Map节点，在Map节点上进行选择、交叉以及变异操作，再进行环形迁移操作，将适应度值高的子个体迁移到不同的子群体里进行适应度值大小的比较，形成环形迁移比较，最后经过Reduce节点进行归约合并处理，选出模型的最优权值阈值。

本文以某地区电力负荷数据进行分析，首先将训练样本分为若干个测试集样本，然后分配给相应的Map节点，在每个Map节点分别运行CPGA-Elman算法进行训练，在Reduce节点上选取最优的权值阈值，建立相应的预测模型，输入测试集样本进行预测分析。同时与Elman算法进行对比分析，预测结果如图2所示。此外，还进行了不同数据集下Elman模型与MR-CPGA-Elman模型耗费时间的对比分析，如图3所示。

由图2可知，MR-CPGA-Elman模型预测精度明显高于Elman模型，而且由图3可知，数据集样本越大MR-CPGA-Elman模型预测时间越快。由以上两点充分说明了本文提出的模型的有效性，具有更好的预测精度以及更快的预测时间。

3 结语

本文针对海量电力负荷数据样本在传统的模型下无法进行快速准确预测情况下，提出了MR-CPGA-Elman模型。首先利用CPGA算法优化Elman网络的权值阈值，然后结合MapReduce分布式并行编程框架，进行分布式并行预测，实验结果表明该方法具有更好更快的预测效果，具有一定的实际意义。

参考文献

[1] 中国电机工程学会信息化专委会.中国电力大数据发展白皮书[R].北京：中国电力出版社，2013.

[2] 刘晓娟.基于智能方法的电力系统负荷预测模型及其应用研究[D].东华大学，2013.

[3] 谢开贵，李春燕，周家启.基于神经网络的负荷组合预测模型研究[J].中国电机工程学报，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