能源互联网中居民用电数据的K-Means聚类算法研究

发布时间：2021-05-11 01:33

　　互联网技术的发展以及各行各业对电能的需求不断增高,催生了能源互联网。在此背景下,居民用电逐步智能化,电网与用户之间实现用电信息双向交互成为必然趋势。同时,智能小区在不断发展的过程中积累了大量的用电数据,通过数据挖掘方法对用电数据进行挖掘并分析用户用电行为,可为电网公司制定科学合理的电力需求响应策略提供数据支撑。此外,电网将居民用电信息反馈给用户,帮助用户了解自身用电情况,规范用电行为,挖掘用电潜力。本文在国内外学者的研究基础上,面向能源互联网中居民用电数据的K-Means聚类算法展开了研究,主要研究工作包括以下几个方面:1.为解决传统K-Means算法中存在的初始聚类中心和K值确定问题,研究了一种基于密度Canopy的K-Means改进算法。该算法以密度Canopy聚类作为K-Means算法的预处理步骤,通过定义样本密度、簇内样本平均距离的倒数和簇间距离三者乘积为权值积,在数据集中以权值积最大原则依次确定聚类中心,并把密度Canopy聚类结果作为K-Means的类别数和初始聚类中心,最终进行数据集的聚类分析。仿真对比实验结果表明改进的算法具有更高的聚类准确率和更强的抗噪声干扰性能。2.... 

【文章来源】：重庆邮电大学重庆市

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
第1章 绪论
    1.1 研究背景及意义
        1.1.1 研究背景
        1.1.2 研究意义
    1.2 研究现状
        1.2.1 K-Means聚类算法研究现状
        1.2.2 面向能源互联网用电数据的K-Means算法研究现状
        1.2.3 电力负荷预测研究现状
    1.3 存在的问题
    1.4 论文的主要工作及结构安排
第2章 相关理论基础
    2.1 能源互联网
    2.2 聚类算法
    2.3 云计算平台技术
    2.4 BP神经网络技术
        2.4.1 信号正向传播
        2.4.2 误差反向传播
    2.5 本章小结
第3章 基于密度Canopy的 K-Means改进算法
    3.1 引言
    3.2 基于密度Canopy的 K-Means算法
        3.2.1 Canopy算法原理
        3.2.2 密度Canopy算法
        3.2.3 基于密度Canopy的 K-Means算法
    3.3 仿真分析
        3.3.1 聚类结果有效性衡量标准
        3.3.2 UCI数据集仿真实验
        3.3.3 模拟数据集仿真实验
        3.3.4 算法复杂度分析
    3.4 本章小结
第4章 基于云计算和改进K-Means算法的用电数据分析
    4.1 引言
    4.2 用电数据分析模型架构
    4.3 基于云计算和改进K-Means算法的用电数据分析
        4.3.1 用电数据预处理
        4.3.2 基于改进K-Means算法的用电数据并行挖掘
    4.4 实验设计与结果分析
        4.4.1 实验环境与数据来源
        4.4.2 实验结果分析
    4.5 本章小结
第5章 基于K-Means的 BP神经网络短时居民用电负荷预测
    5.1 引言
    5.2 方法整体框架
    5.3 BP神经网络短时居民用电负荷预测方法
    5.4 短时居民用电负荷预测的评价标准
    5.5 实验设计与结果分析
        5.5.1 实验设计和实验数据
        5.5.2 实验结果分析
    5.6 本章小结
第6章 全文总结及未来展望
    6.1 全文总结
    6.2 未来展望
参考文献
附录A 论文中相关算法的伪代码
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3180456