Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán tải cho lưới điện thông minh sử dụng mô hình phi tuyến trong hệ thống tệp phân tán Hadoop
Tóm tắt
Cấu trúc lưới điện truyền thống đang tiến hóa trong những năm gần đây, được cải thiện nhờ công nghệ mới. Cấu trúc mới của hệ thống điện ‘Lưới điện thông minh’ đang cố gắng tìm giải pháp cho các vấn đề trong lưới điện truyền thống. Trong môi trường lưới điện thông minh, mỗi người dùng cuối được kết nối với thị trường. Các tín hiệu điều khiển và dữ liệu sẽ lưu thông theo cả hai chiều từ người tiêu dùng đến thị trường và từ thị trường về người tiêu dùng một cách tức thời để cung cấp hoạt động thị trường đáng tin cậy. Dữ liệu đóng vai trò chính trong hoạt động điều khiển, lập lịch tải và hoạt động thị trường. Nhà điều hành thị trường sẽ gặp khó khăn trong việc duy trì hoạt động ổn định vì với cơ sở hạ tầng hiện tại, một số lượng lớn dữ liệu tức thời không thể được xử lý cho hoạt động đáng tin cậy. Dữ liệu dự đoán tải giúp nhà điều hành ISO quyết định giá thanh toán thị trường dự kiến cho thị trường điện năng và cũng sẽ giúp người tiêu dùng và người sản xuất lựa chọn tài sản có lợi trong khoảng thời gian nhất định. Phương pháp dự đoán tải có thể được sử dụng cho bất kỳ khoảng thời gian nào, nhưng độ phức tạp sẽ tăng lên khi khoảng thời gian giảm. Mỗi người tiêu dùng trong lưới điện thông minh là một người tham gia tích cực trong hoạt động thị trường cần được kết nối qua hệ thống truyền thông thông minh để gửi dữ liệu và nhận điều khiển từ nhà điều hành. Khi cấu trúc lưới điện thông minh gia tăng, số lượng dữ liệu cũng sẽ tăng lên đáng kể, nhà điều hành cần phải lưu trữ và phân tích số lượng lớn dữ liệu đầu vào. Khác với lưới điện truyền thống, việc dự đoán tải là rất phức tạp trong lưới điện thông minh với số lượng lớn vấn đề dễ bị tổn thương dữ liệu. Lưới điện thông minh có xu hướng giải quyết tình trạng tắc nghẽn dữ liệu này bằng công nghệ dữ liệu lớn. Dự đoán tải được thực hiện bằng cách sử dụng thuật toán k-means, mức độ tương quan xám, thuật toán cây quyết định và máy vector hỗ trợ để dự đoán kết quả dự đoán chính xác trong khung làm việc Hadoop.
Từ khóa
#lưới điện thông minh #dự đoán tải #công nghệ dữ liệu lớn #thuật toán k-means #cây quyết định #máy vector hỗ trợ #phân tích dữ liệu #hệ thống tệp phân tán HadoopTài liệu tham khảo
Kakran, S., Chanana, S.: Smart operations of smart grids integrated with distributed generation: a review. Renew. Sustain. Energy Rev. 81(Part 1), 524–535 (2018). ISSN 1364-0321. https://doi.org/10.1016/j.rser.2017.07.045
Singh, R.: Energy sufficiency aspirations of India and the role of renewable resources: scenarios for future. Renew. Sustain. Energy Rev. 81(Part 2), 2783–2795 (2018). ISSN 1364-0321. https://doi.org/10.1016/j.rser.2017.06.083
Nowotarski, J., Weron, R.: Recent advances in electricity price forecasting: a review of probabilistic forecasting. Renew. Sustain. Energy Rev. 81(Part 1), 1548–1568 (2018). ISSN 1364-0321. https://doi.org/10.1016/j.rser.2017.05.234
van der Meer, D.W., Widén, J., Munkhammar, J.: Review on probabilistic forecasting of photovoltaic power production and electricity consumption. Renew. Sustain. Energy Rev. 81(Part 1), 1484–1512 (2018). ISSN 1364-0321. https://doi.org/10.1016/j.rser.2017.05.212
Wei, Y., Zhang, X., Shi, Y., Xia, L., Pan, S., Wu, J., Han, M., Zhao, X.: A review of data-driven approaches for prediction and classification of building energy consumption. Renew. Sustain. Energy Rev. 82(Part 1), 1027–1047 (2018). ISSN 1364-0321. https://doi.org/10.1016/j.rser.2017.09.108
Aghamohseni, A., Ramezanian, R.: An efficient hybrid approach based on K-means and generalized fashion algorithms for cluster analysis. In: 2015 AI and Robotics (IRANOPEN), Qazvin, 2015, pp. 1–7. https://doi.org/10.1109/rios.2015.7270727
Kaur, J., Singh, H.: Performance evaluation of a novel hybrid clustering algorithm using birch and K-means. In: 2015 Annual IEEE India Conference (INDICON), New Delhi, 2015, pp. 1–6
Chelmis, C., Kolte, J., Prasanna, V.K.: Big data analytics for demand response: clustering over space and time. In: 2015 IEEE International Conference on Big Data (Big Data), Santa Clara, CA, 2015, pp. 2223–2232. https://doi.org/10.1109/bigdata.2015.7364011
Nuchprayoon, S.: Electricity load classification using K-means clustering algorithm. In: 5th Brunei International Conference on Engineering and Technology (BICET 2014), Bandar Seri Begawan, 2014, pp. 1–5
Eluri, V.R., Ramesh, M., Al-Jabri, A.S.M., Jane, M.: A comparative study of various clustering techniques on big data sets using Apache Mahout. In: 2016 3rd MEC International Conference on Big Data and Smart City (ICBDSC), Muscat, 2016, pp. 1–4
Mehar, A.M., Matawie, K., Maeder, A.: Determining an optimal value of K in K-means clustering. In: 2013 IEEE International Conference on Bioinformatics and Biomedicine, Shanghai, 2013, pp. 51–55
Zhong, S., Tam, K.S.: Hierarchical classification of load profiles based on their characteristic attributes in frequency domain. IEEE Trans. Power Syst. 30(5), 2434–2441 (2015)
González, C., Mira-McWilliams, J., Juárez, I.: Important variable assessment and electricity price forecasting based on regression tree models: classification and regression trees, Bagging and Random Forests. IET Gener. Transm. Distrib. 9(11), 1120–1128 (2015)
Wang, W., Gao, W., Wang, C., Li, J.: An improved algorithm for CART based on the rough set theory. In: 2013 Fourth Global Congress on Intelligent Systems, Hong Kong, 2013, pp. 11–15
Mustapha, M., Mustafa, M.W., Khalid, S.N., Abubakar, I., Shareef, H.: Classification of electricity load forecasting based on the factors influencing the load consumption and methods used: an-overview. In: 2015 IEEE Conference on Energy Conversion (CENCON), Johor Bahru, 2015, pp. 442–447
Aman, S., Simmhan, Y., Prasanna, V.K.: Holistic measures for evaluating prediction models in smart grids. IEEE Trans. Knowl. Data Eng. 27(2), 475–488 (2015)
Barros, R.C., Basgalupp, M.P., de Carvalho, A.C.P.L.F., Freitas, A.A.: Automatic design of decision-tree algorithms with evolutionary algorithms. Evol. Comput. 21(4), 659–684 (2013)
Cheng, J.-H., Chen, H.-P., Lin, Y.-M.: A hybrid forecast marketing timing model based on probabilistic neural network, rough set and C4.5. Expert Syst. Appl. 37(3), 1814–1820 (2010). ISSN 0957-4174. https://doi.org/10.1016/j.eswa.2009.07.019
Song, Q., Shepperd, M., Chen, X., Liu, J.: Can k-NN imputation improve the performance of C4.5 with small software project data sets? A comparative evaluation. J. Syst. Softw. 81(12), 2361–2370 (2008). ISSN 0164-1212. https://doi.org/10.1016/j.jss.2008.05.008
Rutkowski, L., Jaworski, M., Pietruczuk, L., Duda, P.: The CART decision tree for mining data streams. Inf. Sci. 266, 1–15 (2014). ISSN 0020-0255. https://doi.org/10.1016/j.ins.2013.12.060
Li, G., Chen, H., Hu, Y., Wang, J., Guo, Y., Liu, J., Li, H., Huang, R., Lv, H., Li, J.: An improved decision tree-based fault diagnosis method for practical variable refrigerant flow system using virtual sensor-based fault indicators. Appl. Therm. Eng. 129, 1292–1303 (2018). ISSN 1359-4311. https://doi.org/10.1016/j.applthermaleng.2017.10.013
Li, F., Zhang, X., Zhang, X., Du, C., Xu, Y., Tian, Y.-C.: Cost-sensitive and hybrid-attribute measure multi-decision tree over imbalanced data sets. Inf. Sci. 422, 242–256 (2018). ISSN 0020-0255. https://doi.org/10.1016/j.ins.2017.09.013
Guerrero-Higueras, Á.M., DeCastro-García, N., Matellán, V.: Detection of cyber-attacks to indoor real time localization systems for autonomous robots. Robot. Auton. Syst. 99, 75–83 (2018). ISSN 0921-8890. https://doi.org/10.1016/j.robot.2017.10.006
Pathan, S., Gopalakrishna Prabhu, K., Siddalingaswamy, P.C.: Techniques and algorithms for computer aided diagnosis of pigmented skin lesions—a review. Biomed. Signal Process. Control 39, 237–262 (2018). ISSN 1746-8094. https://doi.org/10.1016/j.bspc.2017.07.010
Pitombo, C.S., de Souza, A.D., Lindner, A.: Comparing decision tree algorithms to estimate intercity trip distribution. Transp. Res. C 77, 16–32 (2017). ISSN 0968-090X. https://doi.org/10.1016/j.trc.2017.01.009