基于多维时序数据的运维优化技术研究
发布时间：2022-05-12 18:31
随着检测设备的多样化,各领域的相关数据均呈现出多维化、时序化等特点。时间序列数据与其他数据相比具有连续性、随机性以及周期性等特性。时序数据的这些特性表明了在数据预测方面的可实施性以及预测中的困难性。通过对时间序列数据的分析和预测,既可以挖掘出隐藏在数据内部潜在价值,避免产生数据浪费的现象,提高相关工作效率,又能通过预测数据为将来的工作提供指导和依据。为了能够更好的规避风险,降低运维成本,多维时间序列数据预测与分析技术在电力需求预测、股票走势预测、智能医疗诊断分析、语音识别等方面的研究逐渐得到人们的重视。为了解决能源分布不均衡的现状,高压直流输电技术发展迅速,输电过程中对安全性和稳定性的要求也越来越高。换流站的整流和逆变工作是高压直流输电的重要环节,换流站阀冷系统又是保证换流阀稳定运行的关键。目前对于换流站阀冷系统的多维时序数据的研究分析较少,因此,本文以多维时序数据在运维优化方面的应用为目标,以换流站阀冷系统的实际数据为基础,主要完成了以下工作:（1）数据预处理。通过收集整理换流站阀冷系统的历史数据,分析数据特征,实现了对历史数据中异常数据的识别和修正。对于不能修正的数据和原始数据中的...
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究的背景与意义
1.2 研究现状的分析
1.3 本文的主要研究内容
1.4 本章小结
第2章 数据预处理
2.1 异常数据的处理
2.1.1 异常数据的产生
2.1.2 异常数据的识别与修正
2.2 缺失数据的处理
2.2.1 数据删除法
2.2.2 数据填充法
2.3 基于滑动窗口的K近邻填充算法
2.4 基于阀冷系统时序数据的预处理实例
2.4.1 阀冷系统相关数据集的构建
2.4.2 阀冷系统异常数据的处理
2.4.3 阀冷系统缺失数据填充
2.5 本章小结
第3章 多维时序数据预测
3.1 前馈神经网络(FNN)
3.2 循环神经网络(RNN)
3.3 长短期记忆网络(LSTM)
3.4 基于阀冷系统时序数据的预测实例
3.4.1 阀冷系统数据的获取和处理
3.4.2 阀冷系统数据预测算法模型的框架
3.4.3 阀冷系统数据预测算法模型评价和分析
3.5 本章小结
第4章 多维时序数据应用实例
4.1 确定数据应用目标
4.2 阀冷系统冷却能力影响因素分析
4.2.1 阀冷系统外冷能力的影响因素
4.2.2 阀冷系统内冷能力的影响因素
4.3 阀冷系统冷却能力
4.3.1 阀冷系统外冷能力的判断
4.3.2 阀冷系统内冷却能力裕量的计算
4.3.3 冷却能力分析中的不足
4.4 阀冷系统故障分析判断
4.5 本章小结
第5章 总结与展望
参考文献
致谢
学位论文评阅及答辩情况表
【参考文献】：
期刊论文
[1]基于EMD和神经网络的非线性时间序列预测方法[J]. 涂锦,冷正兴,刘丁毅. 统计与决策. 2020(08)
[2]高压直流换流阀冷却系统保护配置及定值整定[J]. 严喜林,国建宝,杨光源,崔鹏飞,张怿宁. 广东电力. 2019(04)
[3]基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 张宇帆,艾芊,林琳,袁帅,李昭昱. 电网技术. 2019(06)
[4]换流阀水冷系统故障统计及原因分析[J]. 刘德庆,何潇,郭新良,张胜寒,何宽. 山东化工. 2019(06)
[5]阀冷系统泄漏保护优化[J]. 申磊. 化工管理. 2019(06)
[6]一种换流站水冷池液位监测装置的设计[J]. 刘钊. 通信电源技术. 2019(01)
[7]高压直流输电换流阀冷却系统仿真试验平台设计与实现[J]. 卢志敏,文玉良,刘重强,雷勇毅. 电工技术. 2018(14)
[8]基于深度学习LSTM网络的短期电力负荷预测方法[J]. 陈卓,孙龙祥. 电子技术. 2018(01)
[9]基于长短期记忆网络的风电场发电功率超短期预测[J]. 朱乔木,李弘毅,王子琪,陈金富,王博. 电网技术. 2017(12)
[10]一种基于LSTM神经网络的短期用电负荷预测方法[J]. 张宇航,邱才明,贺兴,凌泽南,石鑫. 电力信息与通信技术. 2017(09)
博士论文
[1]多元时间序列分割与预测方法及应用研究[D]. 郭红月.大连理工大学 2017
[2]可再生能源发电并网协调策略的研究[D]. 于大洋.山东大学 2010
硕士论文
[1]基于时间序列分析方法的金融数据研究[D]. 陈颖.大连理工大学 2019
[2]高压直流输电工程换流阀冷却系统仿真试验平台研制[D]. 崔凤庆.郑州大学 2017
[3]基于神经网络智能算法的电力系统短期负荷预测研究[D]. 林麒麟.兰州理工大学 2017
[4]基于支撑向量机的电力系统短期负荷预测[D]. 陈亮宏.华南理工大学 2012
本文编号：3652790
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 课题研究的背景与意义
1.2 研究现状的分析
1.3 本文的主要研究内容
1.4 本章小结
第2章 数据预处理
2.1 异常数据的处理
2.1.1 异常数据的产生
2.1.2 异常数据的识别与修正
2.2 缺失数据的处理
2.2.1 数据删除法
2.2.2 数据填充法
2.3 基于滑动窗口的K近邻填充算法
2.4 基于阀冷系统时序数据的预处理实例
2.4.1 阀冷系统相关数据集的构建
2.4.2 阀冷系统异常数据的处理
2.4.3 阀冷系统缺失数据填充
2.5 本章小结
第3章 多维时序数据预测
3.1 前馈神经网络(FNN)
3.2 循环神经网络(RNN)
3.3 长短期记忆网络(LSTM)
3.4 基于阀冷系统时序数据的预测实例
3.4.1 阀冷系统数据的获取和处理
3.4.2 阀冷系统数据预测算法模型的框架
3.4.3 阀冷系统数据预测算法模型评价和分析
3.5 本章小结
第4章 多维时序数据应用实例
4.1 确定数据应用目标
4.2 阀冷系统冷却能力影响因素分析
4.2.1 阀冷系统外冷能力的影响因素
4.2.2 阀冷系统内冷能力的影响因素
4.3 阀冷系统冷却能力
4.3.1 阀冷系统外冷能力的判断
4.3.2 阀冷系统内冷却能力裕量的计算
4.3.3 冷却能力分析中的不足
4.4 阀冷系统故障分析判断
4.5 本章小结
第5章 总结与展望
参考文献
致谢
学位论文评阅及答辩情况表
【参考文献】：
期刊论文
[1]基于EMD和神经网络的非线性时间序列预测方法[J]. 涂锦,冷正兴,刘丁毅. 统计与决策. 2020(08)
[2]高压直流换流阀冷却系统保护配置及定值整定[J]. 严喜林,国建宝,杨光源,崔鹏飞,张怿宁. 广东电力. 2019(04)
[3]基于深度长短时记忆网络的区域级超短期负荷预测方法[J]. 张宇帆,艾芊,林琳,袁帅,李昭昱. 电网技术. 2019(06)
[4]换流阀水冷系统故障统计及原因分析[J]. 刘德庆,何潇,郭新良,张胜寒,何宽. 山东化工. 2019(06)
[5]阀冷系统泄漏保护优化[J]. 申磊. 化工管理. 2019(06)
[6]一种换流站水冷池液位监测装置的设计[J]. 刘钊. 通信电源技术. 2019(01)
[7]高压直流输电换流阀冷却系统仿真试验平台设计与实现[J]. 卢志敏,文玉良,刘重强,雷勇毅. 电工技术. 2018(14)
[8]基于深度学习LSTM网络的短期电力负荷预测方法[J]. 陈卓,孙龙祥. 电子技术. 2018(01)
[9]基于长短期记忆网络的风电场发电功率超短期预测[J]. 朱乔木,李弘毅,王子琪,陈金富,王博. 电网技术. 2017(12)
[10]一种基于LSTM神经网络的短期用电负荷预测方法[J]. 张宇航,邱才明,贺兴,凌泽南,石鑫. 电力信息与通信技术. 2017(09)
博士论文
[1]多元时间序列分割与预测方法及应用研究[D]. 郭红月.大连理工大学 2017
[2]可再生能源发电并网协调策略的研究[D]. 于大洋.山东大学 2010
硕士论文
[1]基于时间序列分析方法的金融数据研究[D]. 陈颖.大连理工大学 2019
[2]高压直流输电工程换流阀冷却系统仿真试验平台研制[D]. 崔凤庆.郑州大学 2017
[3]基于神经网络智能算法的电力系统短期负荷预测研究[D]. 林麒麟.兰州理工大学 2017
[4]基于支撑向量机的电力系统短期负荷预测[D]. 陈亮宏.华南理工大学 2012
本文编号：3652790
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3652790.html
