大数据环境下基于改进SVM的典型负荷类型识别

• 作者: 杨金成 郭泽林 袁铁江 齐尚敏 李娜 陈虎
• 来源期刊: 电力电容器与无功补偿
• 学科: 工学
• 关键词: 电力大数据 Hadoop 机器学习 支持向量机(SVM) 负荷分类
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 系统应用研究
• 页码范围: 170-175
• 页数: 5页
• 语种: 中文
• DOI: 10.14044/j.1674-1757.pcrpc.2021.04.024

摘要

技术的进步推动了电力大数据的发展,针对电力行业的数据挖掘研究成为当下的热点.针对传统的支持向量机(SVM)在处理大数据时存在耗费时间较长、识别效果不佳的问题,引入次梯度下降算法对支持向量机进行训练,旨在降低训练样本数目的大小对支持向量机训练时间的影响.同时借助Hadoop平台处理大数据的优势,通过构建电力负荷特性指标对原始数据降维,在MapReduce框架下随机构建多个分类器,基于投票机制划分样本类别,构建分类指标对结果进行评价.算例部分分别对比了训练样本数目的大小对分类效果的影响以及四种机器学习算法在处理电力大数据时的性能优劣,结果表明本文所用方法在电力大数据领域具有很好的分类识别效果.