基于K-means和FP-growth算法的电力负荷预测研究

发布时间：2024-12-27 04:54

　　随着大数据技术的高速发展,在传统行业获得越来越多的应用。大数据与传统电力系统结合构建了智能电网,实现了电网的安全、稳定和高效运行。电力大数据由在电力系统运行中广泛分布的数据传感器和远程终端单元(Remote Terminal Unit,RTU)获取,其数据结构复杂、数量庞大,其潜藏的数据价值也是巨大的。本文针对电力调度循环神经网络(Recurrent Nerual Network,RNN)短期负荷预测模型中采集数据集存在的数据缺陷、导致负荷预测精度不高的问题,利用数据挖掘中的关联规则和聚类算法对采集数据集进行预处理,实现RNN模型的短期负荷预测,提高了预测精度。电力负荷预测问题,已有许多学者做了很多研究,但是单一的预测模型对于现今越来越冗杂的负荷数据集来说效率不高,因此,本文基于数据挖掘算法,利用改进的关联规则挖掘算法处理采集数据集。由于采集数据集包含多种扰动因素,为了挖掘其主要因素,论文利用改进的K-means算法对其聚类,用处理的聚类数据集实现基于RNN模型的负荷预测。主要的研究内容包括:1、研究了电力大数据下负荷聚类和负荷预测问题。针对电力负荷数据集的特点,研究了多种大数据集的处理...

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景和意义
    1.2 国内外研究现状
        1.2.1 短期负荷预测的研究现状
        1.2.2 聚类算法的研究现状
        1.2.3 关联规则挖掘算法的研究现状
    1.3 本文的主要研究工作
    1.4 论文的组织结构
第2章 相关基础理论
    2.1 引言
    2.2 负荷预测基本概念
        2.2.1 短期负荷预测的基本原理
        2.2.2 短期负荷预测模型
    2.3 聚类算法
        2.3.1 基于层次的聚类算法
        2.3.2 基于密度的聚类算法
        2.3.3 基于模型的聚类算法
        2.3.4 基于划分的聚类算法
    2.4 关联规则挖掘算法
        2.4.1 基本概念
        2.4.2 Apriori算法
    2.5 本章小结
第3章 电力负荷数据预处理
    3.1 引言
    3.2 关联规则挖掘
        3.2.1 FP-growth算法简介
        3.2.2 FP-grwoth改进算法
    3.3 聚类处理
        3.3.1 传统密度冠层算法
        3.3.2 基于密度冠层的K-means算法
    3.4 仿真实验分析
        3.4.1 关联规则挖掘分析
        3.4.2 聚类处理分析
    3.5 本章总结
第4章 CFS优化RNN负荷预测模型
    4.1 引言
    4.2 基础算法介绍
        4.2.1 RNN算法原理
        4.2.2 混沌自由搜索算法原理
    4.3 基于CFS优化RNN负荷预测模型
        4.3.1 优化负荷预测模型
        4.3.2 预测结果分析
    4.4 本章总结
总结与展望
参考文献
致谢
附录A 攻读学位期间发表论文
附录B 实习期间参与项目



本文编号：4021163