基于云计算和优化KMeans的电力不良数据辨识

发布时间：2017-09-29 02:03

  本文关键词：基于云计算和优化KMeans的电力不良数据辨识

  更多相关文章： 云计算 粒子群算法 并行算法 KMeans

【摘要】：随着智能电网的迅速发展和电力信息的爆炸式增长,电力系统运行过程中会产生海量的数据,这些数据在产生和传输的过程中,容易受到各种因素的干扰而产生不良数据,如雷电、磁场、传输设备故障等,而电力系统状态估计最基本的要求就是基础数据必须得准确。由于数据是海量的,人工筛选的成本是非常高的,这就迫切需要一种新的解决方案。本文在研究了电力系统不良数据的特点后,给出先采用数据挖掘的方式来解决筛选不良数据的方案,经过对传统KMeans的深入学习,并且对惯性权重优化粒子群算法的系统研究,给出了基于惯性权重优化后的粒子群方法改进传统KMeans的算法。整合后的算法有效解决了传统KMeans聚类方法无法高效确定聚类中心的问题,通过结合PSO算法所具有的快速确定粒子群中心的特点,使得算法本身更加高效和准确,并通过MATLAB仿真实验验证了它的可行性;然后针对电力系统需要处理的数据量大,传统算法计算效率低、耗时时间长的问题,研究了粒子群优化传统KMeans算法的并行化算法解决方案,并对整合后的算法应用Hadoop云计算技术,用Map函数实现PSO优化KMeans的改进方案,高效地解决了PSO优化KMeans在对海量数据进行运算时耗时时间长的难题;最后,进行Hadoop平台的实验验证,并进一步论证结果的有效性。本次实验所选用的数据集是基于IEEE-14节点的标准集形成的模拟数据,通过单机方式和云计算集群方式进行算法对比仿真实验,在实验室搭建的云计算集群上对给出的算法做性能测试,实验结果表明PSO优化KMeans的云计算模式优于传统算法,且具有较好的性能。
【关键词】：云计算 粒子群算法 并行算法 KMeans
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP311.13;TM769
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-13
• 1.1 选题背景及其意义9-10
• 1.2 国内外研究现状10-11
• 1.2.1 云计算研究现状10
• 1.2.2 电力系统不良数据辨识算法研究现状10-11
• 1.3 本文主要工作11-13
• 第2章 相关技术13-26
• 2.1 电力系统不良数据辨识常用算法13-14
• 2.2 KMeans算法研究14-17
• 2.3 云计算技术17-21
• 2.3.1 云计算概念和特点17-18
• 2.3.2 云计算的工作原理和关键技术18-19
• 2.3.3 云计算分类及产业现状19-21
• 2.4 开源Hadoop云计算技术21-25
• 2.4.1 HDFS分布式文件系统21-22
• 2.4.2 MapReduce编程框架22-24
• 2.4.3 HBase分布式数据库24-25
• 2.5 本章小结25-26
• 第3章 基于PSO优化KMeans的电力系统不良数据辨识算法26-37
• 3.1 传统辨识算法的不足26
• 3.2 粒子群算法概述（PSO）26-30
• 3.2.1 PSO算法基本概念26-27
• 3.2.2 PSO算法基本原理及流程27-29
• 3.2.3 基于惯性权重法优化PSO算法29-30
• 3.3 基于惯性权重PSO-KMeans的聚类算法30-36
• 3.3.1 算法设计30-31
• 3.3.2 核心MATLAB代码参考31-33
• 3.3.3 算法仿真实验33-36
• 3.3.4 算法性能与传统算法对比分析36
• 3.4 本章小结36-37
• 第4章 基于Hadoop实现的粒子群优化KMeans并行算法设计与实现37-45
• 4.1 PSO-KMeans并行算法设计37-39
• 4.1.1 传统单机算法的不足37
• 4.1.2 算法设计思想37-38
• 4.1.3 算法流程设计38-39
• 4.2 Hadoop实现39-43
• 4.2.1 实现过程39-40
• 4.2.2 Map函数设计40-41
• 4.2.3 Reduce函数设计41-43
• 4.3 HBase设计与实现43-44
• 4.4 本章小结44-45
• 第5章 云平台实验测试及性能分析45-59
• 5.1 Hadoop云计算平台与开发环境的搭建与配置45-52
• 5.1.1 系统环境配置45-47
• 5.1.2 全分布Hadoop集群搭建47-49
• 5.1.3 全分布HBase的安装与配置49-51
• 5.1.4 开发平台搭建51-52
• 5.2 全分布环境下HBase的安装52-55
• 5.2.1 安装说明52-53
• 5.2.2 安装并配置HBase53-55
• 5.3 电网数据模拟55-56
• 5.4 仿真结果及性能分析56-58
• 5.4.1 仿真结果56-58
• 5.4.2 性能对比分析58
• 5.5 本章小结58-59
• 第6章 总结与展望59-60
• 参考文献60-63
• 在硕士研究生学习期间发表的学术论文及科研情况63-64
• 致谢64

【相似文献】

中国期刊全文数据库 前10条

1 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

2 吴军;李为吉;;改进的粒子群算法及在结构优化中的应用[J];陕西理工学院学报(自然科学版);2006年04期

3 段海涛;刘永忠;冯霄;;水系统优化的粒子群算法分析[J];华北电力大学学报(自然科学版);2007年02期

4 王伟;;混合粒子群算法及其优化效率评价[J];中国水运(学术版);2007年06期

5 付宜利;封海波;孙建勋;李荣;马玉林;;机电产品管路自动敷设的粒子群算法[J];机械工程学报;2007年11期

6 蒋荣华;王厚军;龙兵;;基于离散粒子群算法的测试选择[J];电子测量与仪器学报;2008年02期

7 周苗;陈义保;刘加光;;一种新的协同多目标粒子群算法[J];山东理工大学学报(自然科学版);2008年05期

8 姚峰;杨卫东;张明;;改进粒子群算法及其在热连轧负荷分配中的应用[J];北京科技大学学报;2009年08期

9 张大兴;贾建援;张爱梅;郭永献;;基于粒子群算法的三轴跟瞄装置跟踪策略研究[J];仪器仪表学报;2009年09期

10 王丽萍;江波;邱飞岳;;基于决策偏好的多目标粒子群算法及其应用[J];计算机集成制造系统;2010年01期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 王芳;粒子群算法的研究[D];西南大学;2006年

2 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

3 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

4 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

5 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

6 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

7 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

8 刘宏达;粒子群算法的研究及其在船舶工程中的应用[D];哈尔滨工程大学;2008年

9 杨轻云;约束满足问题与调度问题中离散粒子群算法研究[D];吉林大学;2006年

10 冯琳;改进多目标粒子群算法的研究及其在电弧炉供电曲线优化中的应用[D];东北大学;2013年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

，

本文编号：939318