基于电力大数据的居民电量预测和可视化平台设计
发布时间：2021-04-26 09:14
大数据的时代已经悄悄来临,国内外各个行业都在积极发展大数据技术以创造价值。随着能源互联网和新电改的推行,传统电力行业日积月累的海量历史数据也亟需大数据带来技术变革。如何利用这海量的历史数据,并从中发掘重要信息,成为现在电力系统的一个尖端问题。本文依托这样的思想,研究了大数据在国内外的发展过程,以及各行业如何利用大数据创造价值。并将这种结合历史数据,分析用户特点,再创造有用价值的思想运用在电力行业中。通过聚类、预测和可视化展示,为工作人员提供更加便利的数据展示平台,方便工作人员查看、统计和发掘数据。在此基础上,提高管理监控用户电量信息。负荷预测关系到电能生产,一直是电力调度的重要依据:电能需求的规律直接关系到发电计划的安排,发电计划的优化是整个电力系统经济运行的最基本的手段。本文依托大数据技术,结合气象情况,对汉中市部分用户的历史用电量进行分析。在对数据预处理,解决缺失值、异常值等不良字段后,通过K-means算法对用户进行聚类,分析各类用户的不同用电情况。在聚类结果的辅助下,通过利用RBF和MLP两种不同结构的神经网络算法预测用户的用电量,对比不同神经网络结构的预测结果,选择出准确性更...
【文章来源】：陕西理工大学陕西省
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 课题研究的背景和意义
1.2 国内外研究现状
1.2.1 经典方法
1.2.2 传统方法
1.2.3 现代方法
1.3 本文主要工作
第2章 负荷分类及汉中地区用电情况
2.1 负荷的分类及特点
2.2 汉中基本情况
2.2.1 汉中经济情况
2.2.2 汉台区气象情况
2.2.3 汉中电力消费情况
2.3 本章小结
第3章 用户聚类特性分析
3.1 数据及预处理
3.1.1 数据源
3.1.2 数据预处理
3.2 聚类及特性分析
3.2.1 K-means算法
3.2.2 K-means聚类
3.3 聚类结果分析
3.3.1 聚类类别分析
3.3.2 聚类特点分析
3.4 本章小结
第4章 基于神经网络的电量预测
4.1 神经网络的基本原理
4.1.1 激活函数
4.1.2 神经网络的结构及工作方式
4.1.3 神经网络的学习
4.2 神经网络模型
4.2.1 RBF神经网络模型
4.2.2 MLP神经网络模型
4.3 预测模型搭建
4.3.1 数据准备
4.3.2 建模过程
4.4 预测结果比较
4.5 本章小结
第5章 可视化平台展示
5.1 Tableau介绍
5.2 平台构建
5.2.1 可视化地图
5.2.2 用电量信息工作表
5.3 可视化交互平台
5.4 本章小结
总结与展望
参考文献
攻读硕士学位期间取得的学术成果
致谢
【参考文献】：
期刊论文
[1]教育大数据战略下美国州纵向数据系统建设与运用[J]. 唐晓玲,张力文,王正青. 电化教育研究. 2019(02)
[2]大数据时代:人工智能与商业银行创新[J]. 李佳,钱晨,黄之豪. 新金融. 2018(12)
[3]一种基于全过程优化支持向量机的短期电力负荷预测方法[J]. 简献忠,顾祎婷. 电力科学与工程. 2018(11)
[4]大数据思维在高校学生信息化管理中的支撑作用[J]. 王红平,唐永锋. 科技创新导报. 2018(13)
[5]运用PSO和GRNN的短期负荷二维组合预测[J]. 陈鸿琳,李欣然,冷华,唐海国. 电力系统及其自动化学报. 2018(02)
[6]基于K-means聚类算法的住院费用数据挖掘[J]. 谢筱筱. 现代计算机(专业版). 2017(26)
[7]中美图书情报专业研究生教育中数据管理项目的发展状况研究[J]. 段宇锋,步坤. 图书馆杂志. 2016(07)
[8]大数据在智能电网领域的应用[J]. 张根周. 电网与清洁能源. 2016(06)
[9]基于大数据技术的电力用户行为分析及应用现状[J]. 沈玉玲,吕燕,陈瑞峰. 电气自动化. 2016(03)
[10]能源互联网:理念、架构与前沿展望[J]. 孙宏斌,郭庆来,潘昭光. 电力系统自动化. 2015(19)
博士论文
[1]大数据分析的经济价值评价与过度挖掘风险研究[D]. 刘磊.天津财经大学 2017
[2]发电商市场预测与竞价决策优化新方法研究[D]. 杨尚东.华北电力大学（北京） 2007
硕士论文
[1]电网企业营配贯通服务管理模式设计及评价研究[D]. 保瑞.华北电力大学(北京) 2017
[2]大型供电企业营配贯通管理方式分析[D]. 肖晓鹏.华北电力大学(北京) 2016
[3]基于神经网络的地震灾害损失预测研究[D]. 张志栋.云南大学 2016
[4]基于用户设备容量的网供负荷预测方法研究[D]. 王磊.华北电力大学 2015
[5]基于竞争型ISPO双胞支持向量回归短期负荷预测[D]. 王洪森.广东工业大学 2014
[6]呼和浩特市深层土壤稀有稀土元素基准值研究[D]. 于雪.内蒙古大学 2013
[7]配电网规划的回归分析负荷预测方法研究[D]. 黄珊.湖南大学 2010
[8]基于市际信息的外汇市场神经网络预测模型[D]. 滕磊.电子科技大学 2010
[9]一种新的短期电力负荷预测方法[D]. 刘晨歌.华北电力大学（北京） 2010
[10]自适应神经网络模糊推理在中长期电力负荷预测中的应用[D]. 覃彬.湖南大学 2008
本文编号：3161154
【文章来源】：陕西理工大学陕西省
【文章页数】：75 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第1章 绪论
1.1 课题研究的背景和意义
1.2 国内外研究现状
1.2.1 经典方法
1.2.2 传统方法
1.2.3 现代方法
1.3 本文主要工作
第2章 负荷分类及汉中地区用电情况
2.1 负荷的分类及特点
2.2 汉中基本情况
2.2.1 汉中经济情况
2.2.2 汉台区气象情况
2.2.3 汉中电力消费情况
2.3 本章小结
第3章 用户聚类特性分析
3.1 数据及预处理
3.1.1 数据源
3.1.2 数据预处理
3.2 聚类及特性分析
3.2.1 K-means算法
3.2.2 K-means聚类
3.3 聚类结果分析
3.3.1 聚类类别分析
3.3.2 聚类特点分析
3.4 本章小结
第4章 基于神经网络的电量预测
4.1 神经网络的基本原理
4.1.1 激活函数
4.1.2 神经网络的结构及工作方式
4.1.3 神经网络的学习
4.2 神经网络模型
4.2.1 RBF神经网络模型
4.2.2 MLP神经网络模型
4.3 预测模型搭建
4.3.1 数据准备
4.3.2 建模过程
4.4 预测结果比较
4.5 本章小结
第5章 可视化平台展示
5.1 Tableau介绍
5.2 平台构建
5.2.1 可视化地图
5.2.2 用电量信息工作表
5.3 可视化交互平台
5.4 本章小结
总结与展望
参考文献
攻读硕士学位期间取得的学术成果
致谢
【参考文献】：
期刊论文
[1]教育大数据战略下美国州纵向数据系统建设与运用[J]. 唐晓玲,张力文,王正青. 电化教育研究. 2019(02)
[2]大数据时代:人工智能与商业银行创新[J]. 李佳,钱晨,黄之豪. 新金融. 2018(12)
[3]一种基于全过程优化支持向量机的短期电力负荷预测方法[J]. 简献忠,顾祎婷. 电力科学与工程. 2018(11)
[4]大数据思维在高校学生信息化管理中的支撑作用[J]. 王红平,唐永锋. 科技创新导报. 2018(13)
[5]运用PSO和GRNN的短期负荷二维组合预测[J]. 陈鸿琳,李欣然,冷华,唐海国. 电力系统及其自动化学报. 2018(02)
[6]基于K-means聚类算法的住院费用数据挖掘[J]. 谢筱筱. 现代计算机(专业版). 2017(26)
[7]中美图书情报专业研究生教育中数据管理项目的发展状况研究[J]. 段宇锋,步坤. 图书馆杂志. 2016(07)
[8]大数据在智能电网领域的应用[J]. 张根周. 电网与清洁能源. 2016(06)
[9]基于大数据技术的电力用户行为分析及应用现状[J]. 沈玉玲,吕燕,陈瑞峰. 电气自动化. 2016(03)
[10]能源互联网:理念、架构与前沿展望[J]. 孙宏斌,郭庆来,潘昭光. 电力系统自动化. 2015(19)
博士论文
[1]大数据分析的经济价值评价与过度挖掘风险研究[D]. 刘磊.天津财经大学 2017
[2]发电商市场预测与竞价决策优化新方法研究[D]. 杨尚东.华北电力大学（北京） 2007
硕士论文
[1]电网企业营配贯通服务管理模式设计及评价研究[D]. 保瑞.华北电力大学(北京) 2017
[2]大型供电企业营配贯通管理方式分析[D]. 肖晓鹏.华北电力大学(北京) 2016
[3]基于神经网络的地震灾害损失预测研究[D]. 张志栋.云南大学 2016
[4]基于用户设备容量的网供负荷预测方法研究[D]. 王磊.华北电力大学 2015
[5]基于竞争型ISPO双胞支持向量回归短期负荷预测[D]. 王洪森.广东工业大学 2014
[6]呼和浩特市深层土壤稀有稀土元素基准值研究[D]. 于雪.内蒙古大学 2013
[7]配电网规划的回归分析负荷预测方法研究[D]. 黄珊.湖南大学 2010
[8]基于市际信息的外汇市场神经网络预测模型[D]. 滕磊.电子科技大学 2010
[9]一种新的短期电力负荷预测方法[D]. 刘晨歌.华北电力大学（北京） 2010
[10]自适应神经网络模糊推理在中长期电力负荷预测中的应用[D]. 覃彬.湖南大学 2008
本文编号：3161154
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3161154.html
