论文部分内容阅读
伴随着社会发展进步和人们生活水平的提高,城市化愈来愈热,伴随而来的一种局面便是水电等能源的急剧消耗,与此同时各种能耗数据也呈现迅猛增长的趋势。如何利用这海量的能源消耗数据来更好地把握能耗规律,为用能单位和部门决策提供辅助参考,进一步实现节能减排的目标,是当前业内专家学者高度关注的问题。随着高新技术的日益创新和发展,大数据的浪潮己经开始席卷社会的各行各业,这也为我国可以利用先进信息化方法来加强对能耗数据的管控方式提供了更大的选择。借助大数据技术的相关方法可以更加智能地探究区域单位的用能规律和合理优化资源配置,科学地提高水电能源使用效率。本文以Hadoop和Spark大数据技术为基础,结合深度学习算法模型,对能源消耗数据挖掘和分析展开了研究。主要研究内容如下:(1)本文将经验模态分解应用到能耗预测领域,基于神经网络模型和时序算法模型提出了一种新型的用于预测区域耗电数据的EMD-LSTM-ARIMA混合模型,并通过实验实现了对EMD-LSTM-ARIMA模型和其他预测模型(基于残差的ARIMALSTM混合模型、EMD-ARIMA混合预测模型)的对比分析,EMD-LSTM-ARIMA混合预测模型使用经验模态分解方法将区域用电数据分解为多个IMF分量和残差分量,针对不同的分量特点选择LSTM模型或ARIMA模型分别对分量序列进行预测,最后将各分量的预测结果等权值求和,得到最终的预测结果。通过实验结果对比证明了本文提出EMD-LSTM-ARIMA混合预测模型的优越性。(2)本文设计并实现了基于大数据技术的能耗数据分析平台。本文选取稳定版本软件和操作系统作为搭配,完成了Hadoop集群搭建,并在集群基础上部署Spark分布式计算框架完成能耗数据分析平台的服务端部分;客户端业务逻辑部分采用Spring+SpringMVC+Mybatis组合框架构建和实现,前端可视化界面采用Echarts和Bootstraps以及node.js等技术来实现人机交互可视化界面。该平台主要集成了用户管理模块、集群管理模块、数据分析模块和数据管理模块四大功能模块。经过对平台上各个模块的功能测试,结果表明该平台具备良好的用户体验和实用性,对帮助能源管理者制定节能减排方案有一定的辅助决策作用。