基于大数据技术的电量分析和预测研究
发布时间：2021-02-12 06:21
随着数据存储技术的发展和智能监测装置的普及,电网电量数据的规模和维度都得到了空前的拓展,迫切需要应用大数据技术进行深入挖掘和分析,以获得更高的电量预测精度。因此,本文以电量数据作为研究对象,重点围绕电量数据的清洗和电量的精确预测展开研究,主要研究内容如下:1)针对电网电量数据的数据清洗和标准化展开研究。针对电网电量数据库中存在的数据离群、数据缺失等问题,提出基于改进KNN算法的离群点快速检测算法和缺损数据递归填充算法;针对电量数据间数量级差距大的问题,提出最大值归一化的标准化方法。2)针对电量曲线平稳性较差、季节波动剧烈的问题,结合X-12-ARIMA程序和我国月度电量季节波动实际,对行业电量时间序列进行季节调整,提高了电量序列的平稳性。3)为了降低建模和计算的复杂度并分离出不规则元素,提出电量数据的改进K-means聚类算法。针对聚类算法的收敛性问题,给出初始聚类中心的优选方案,包括核心聚类对象的筛选和利用距离权重分散选取初始聚类中心的方法。为了使波动趋势类似的行业可以被归入同一类,提出带权重的改进距离算子,通过欧氏距离算子和曲线相似度算子的加权组合,获得了更好的聚类效果。引入轮廓系...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
不离群点判别理论
基于改进KNN的离群点快速检测算法流程图
以数据规模为横轴,算法运行时间为纵轴,绘制出两种算法的运行时间随数据规模变化的曲线如下图2-3:从图中可以看出,在数据规模小于1500条时,因为改进KNN算法需要进行预先的不离群点判别,原始KNN算法的效率要高于改进KNN算法;但是当数据规模进一步扩大高于1500条时,改进KNN算法的优越性就开始显现了,在数据量达到2000条时,改进KNN算法比原始KNN算法要少用时6秒,效率提升20%,说明改进KNN算法更能适应电网电量大数据的离群点搜索。
【参考文献】：
期刊论文
[1]On Consistency of the Nearest Neighbor Estimator of the Density Function and Its Applications[J]. Yi WU,Xue Jun WANG. Acta Mathematica Sinica. 2019(05)
[2]基于K-means聚类的小波支持向量机配电网短期负荷预测及应用[J]. 詹仁俊. 供用电. 2019(04)
[3]基于聚类算法的电量大数据分析[J]. 李昂,向翰丞,钱瑞琦,张蕾. 通信电源技术. 2019(03)
[4]基于聚类的连续型数据缺失值充填方法[J]. 李国和,杨绍伟,吴卫江,郑艺峰. 计算机工程. 2019(09)
[5]利用聚类分析和离群点检测的数据填补方法[J]. 马永军,汪睿,李亚军,陈海山. 计算机工程与设计. 2019(03)
[6]基于KNN离群点检测和随机森林的多层入侵检测方法[J]. 任家东,刘新倩,王倩,何海涛,赵小林. 计算机研究与发展. 2019(03)
[7]基于大数据运用的电网企业运营监测管理[J]. 段贝莉,朱帆,夏保冰,杨琳,左航,郭岩岩. 管理观察. 2019(07)
[8]DBSCAN聚类算法的参数配置方法研究[J]. 宋金玉,郭一平,王斌. 计算机技术与发展. 2019(05)
[9]电力大数据在配电网规划中的应用研究[J]. 邹岳琳,张龙军,刘昆. 中国新通信. 2019(05)
[10]面向智能电网应用的电力大数据关键技术探讨[J]. 李永光,张彦军,汪凯威,於湘涛,黄辉. 数字通信世界. 2019(03)
博士论文
[1]时间序列的结构变化和单位根检验[D]. 于寄语.华中科技大学 2017
硕士论文
[1]基于BP神经网络的地区售电量预测新方法研究[D]. 李瑞杰.西安科技大学 2018
[2]基于改进FCM的模糊神经网络控制策略的研究与仿真[D]. 田丹.西安电子科技大学 2018
[3]基于考虑季节调整ARIMA模型的区域月度售电量预测研究[D]. 王承庆.天津大学 2018
[4]电力大数据在配网规划中的应用研究[D]. 程宝玉.华北电力大学(北京) 2017
[5]基于季节调整的业扩报装分析预测研究[D]. 杨广森.山东大学 2016
[6]基于时间序列法和回归分析法的改进月售电量预测方法研究[D]. 程超.重庆大学 2016
[7]季节调整方法比较研究[D]. 王雨琴.暨南大学 2016
[8]基于组合权重的中长期负荷预测研究及系统实现[D]. 张杰龙.湖南大学 2016
[9]数据挖掘中的离群点检测算法研究[D]. 胡婷婷.厦门大学 2014
[10]基于组合方法的月度售电量预测研究[D]. 孙婧捷.大连理工大学 2014
本文编号：3030391
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
不离群点判别理论
基于改进KNN的离群点快速检测算法流程图
以数据规模为横轴,算法运行时间为纵轴,绘制出两种算法的运行时间随数据规模变化的曲线如下图2-3:从图中可以看出,在数据规模小于1500条时,因为改进KNN算法需要进行预先的不离群点判别,原始KNN算法的效率要高于改进KNN算法;但是当数据规模进一步扩大高于1500条时,改进KNN算法的优越性就开始显现了,在数据量达到2000条时,改进KNN算法比原始KNN算法要少用时6秒,效率提升20%,说明改进KNN算法更能适应电网电量大数据的离群点搜索。
【参考文献】：
期刊论文
[1]On Consistency of the Nearest Neighbor Estimator of the Density Function and Its Applications[J]. Yi WU,Xue Jun WANG. Acta Mathematica Sinica. 2019(05)
[2]基于K-means聚类的小波支持向量机配电网短期负荷预测及应用[J]. 詹仁俊. 供用电. 2019(04)
[3]基于聚类算法的电量大数据分析[J]. 李昂,向翰丞,钱瑞琦,张蕾. 通信电源技术. 2019(03)
[4]基于聚类的连续型数据缺失值充填方法[J]. 李国和,杨绍伟,吴卫江,郑艺峰. 计算机工程. 2019(09)
[5]利用聚类分析和离群点检测的数据填补方法[J]. 马永军,汪睿,李亚军,陈海山. 计算机工程与设计. 2019(03)
[6]基于KNN离群点检测和随机森林的多层入侵检测方法[J]. 任家东,刘新倩,王倩,何海涛,赵小林. 计算机研究与发展. 2019(03)
[7]基于大数据运用的电网企业运营监测管理[J]. 段贝莉,朱帆,夏保冰,杨琳,左航,郭岩岩. 管理观察. 2019(07)
[8]DBSCAN聚类算法的参数配置方法研究[J]. 宋金玉,郭一平,王斌. 计算机技术与发展. 2019(05)
[9]电力大数据在配电网规划中的应用研究[J]. 邹岳琳,张龙军,刘昆. 中国新通信. 2019(05)
[10]面向智能电网应用的电力大数据关键技术探讨[J]. 李永光,张彦军,汪凯威,於湘涛,黄辉. 数字通信世界. 2019(03)
博士论文
[1]时间序列的结构变化和单位根检验[D]. 于寄语.华中科技大学 2017
硕士论文
[1]基于BP神经网络的地区售电量预测新方法研究[D]. 李瑞杰.西安科技大学 2018
[2]基于改进FCM的模糊神经网络控制策略的研究与仿真[D]. 田丹.西安电子科技大学 2018
[3]基于考虑季节调整ARIMA模型的区域月度售电量预测研究[D]. 王承庆.天津大学 2018
[4]电力大数据在配网规划中的应用研究[D]. 程宝玉.华北电力大学(北京) 2017
[5]基于季节调整的业扩报装分析预测研究[D]. 杨广森.山东大学 2016
[6]基于时间序列法和回归分析法的改进月售电量预测方法研究[D]. 程超.重庆大学 2016
[7]季节调整方法比较研究[D]. 王雨琴.暨南大学 2016
[8]基于组合权重的中长期负荷预测研究及系统实现[D]. 张杰龙.湖南大学 2016
[9]数据挖掘中的离群点检测算法研究[D]. 胡婷婷.厦门大学 2014
[10]基于组合方法的月度售电量预测研究[D]. 孙婧捷.大连理工大学 2014
本文编号：3030391
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3030391.html
