基于异构数据源的电力大数据处理方法

发布时间：2022-01-20 20:10

　　随着智能电网建设的不断深入,电力系统中数据的规模和类型正在快速增长,且数据的复杂度也随之快速增大,呈现出典型的大数据特征。将大数据处理方法引入电力系统应用领域,可以关注到电力大数据中潜在的信息,进一步挖掘其价值,为电网调度决策提供参考。数据监控及采集系统（SCADA）和基于相量测量单元（PMU）的广域测量系统是在电力系统得到广泛应用的两套代表性量测系统。与SCADA数据相比,WAMS数据精度和刷新频率的性能更为优良。它们共同构成了电力系统的海量量测数据资源。论文基于电力大数据中数据处理需求,针对SCADA系统和WAMS系统展开研究。将以关联规则为代表的数据挖掘方法和机器学习算法应用于电力系统,旨在满足电力大数据中的不良数据辨识需求和异构数据融合需求,提高数据质量,保证数据完整性,充分挖掘数据价值,为电网决策提供最有力的辅助。论文提出一种基于异构数据关联规则挖掘的不良数据辨识方法。考虑样本的周期属性,以高精度快刷新的WAMS数据离散SCADA数据,挖掘其采样时刻、有功功率、无功功率和电流之间的周期性关联规则,通过规则匹配构建疑似不良数据集合,利用局部残差搜索法验证不良数据集合,并通过人为... 

【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：55 页

【学位级别】：硕士

【部分图文】：

图２－１电力大数据数据源??（３）价值密度低

理一个数据就对剩下的数据重新进行一次状态估计，重新计算残差，直到不再存在??残差大于阈值的数据为止，不良数据被全部辨识。残差搜索法的算法的操作流程如??图２－２所示。??显然，残差搜索法需要反复进行状态估计，反复计算残差，不良数据越多，运??算量越大，对辨识单个或多个弱相关不良数据较为适用。而在实际的电力系统中，??不良数据往往多个一起出现，且彼此间具备强关联性，残差搜索法的应用有一定的??局限性。??Ｕ??

揭示出海量数据中未知的、潜在的价值信息，进而转化为知识，最终归纳普遍??规律的过程。区别于传统的针对样本的统计分析，数据挖掘针对大数据总体进行分??析。数据挖掘过程如图２－３所示。??（１）

【参考文献】：
期刊论文
[1]Spark性能优化技术研究综述[J]. 廖湖声,黄珊珊,徐俊刚,刘仁峰.  计算机科学. 2018(07)
[2]电力系统异常数据检测辨识方法综述[J]. 王晶.  电力与能源. 2015(06)
[3]海量数据下的电力负荷短期预测[J]. 张素香,赵丙镇,王风雨,张东.  中国电机工程学报. 2015(01)
[4]基于大数据分析的输变电设备状态数据异常检测方法[J]. 严英杰,盛戈皞,陈玉峰,江秀臣,郭志红,杜修明.  中国电机工程学报. 2015(01)
[5]面向智能电网应用的电力大数据关键技术[J]. 彭小圣,邓迪元,程时杰,文劲宇,李朝晖,牛林.  中国电机工程学报. 2015(03)
[6]智能电网大数据技术发展研究[J]. 张东霞,苗新,刘丽平,张焰,刘科研.  中国电机工程学报. 2015(01)
[7]基于WAMS/SCADA数据兼容和改进FCM聚类算法的PMU最优配置[J]. 吴星,刘天琪,李兴源,李从善.  电网技术. 2014(03)
[8]用于电力系统状态估计的WAMS/SCADA混合量测数据融合方法[J]. 李从善,刘天琪,李兴源,吴星.  高电压技术. 2013(11)
[9]智能电网大数据处理技术现状与挑战[J]. 宋亚奇,周国亮,朱永利.  电网技术. 2013(04)
[10]基于改进GSA算法的电网不良数据检测与辨识[J]. 郭艳东,申定辉.  华东电力. 2013(03)

硕士论文
[1]基于数据挖掘的电力系统不良数据检测与辨识算法研究[D]. 吴越嬴.南京理工大学 2017



本文编号：3599446