基于改进二分K-means和集成神经网络的电力用户负荷模式识别

发布时间：2021-05-06 00:54

　　从“中发9号文”到“三型两网”战略目标,电力市场改革和职能电网建设的步伐在坚定不移的向前推进。电力市场所承载业务越来越复杂多样,同时,大量智能量测设备也在投入使用,导致电力负荷数据网络的规模也在不断扩大,运用有效的数据挖掘技术对这些数据进行分析利用,对电网稳定运行及电力市场健康发展有重要意义。负荷模式识别就是对不同负荷数据进行分析,并依据负荷特点划分出不同类型的负荷模式,然后根据各类别负荷模式制定相应的策略,对电力系统进行负荷分析规划、需求侧控制及响应、负荷预测等工作有着重要的参考价值及意义。负荷模式识别的研究内容主要是对已有负荷曲线的聚类分析以及对未知负荷的分类识别。首先对负荷数据库中的数据集进行聚类分析,得到多种典型负荷并针对不同类型的负荷制定不同的处理方式,再通过不同种类的负荷数据训练出能够识别负荷类型的分类器,对电力网络中量测设备所采集到的新的未知类型的负荷数据进行分类识别,将其划分到某一类负荷中,这样便可以运用针对该类负荷的处理方式来处理新采集到的未知类型负荷。本文针对传统负荷聚类及分类方式中存在的不足进行分析讨论,并提出改进方案,主要内容如下:（1）为解决传统聚类算法处理高... 

【文章来源】：西安理工大学陕西省

【文章页数】：84 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 负荷模式识别研究概述
        1.2.2 负荷聚类、分类识别研究现状
        1.2.3 负荷模式识别相关应用的研究现状
    1.3 主要研究内容
        1.3.1 研究内容
        1.3.4 技术路线
2 负荷模式识别相关理论概述
    2.1 负荷模式定义
    2.2 电力大数据环境下的数据挖掘技术
        2.2.1 数据挖掘概念和功能
        2.2.2 数据预处理
        2.2.3 负荷模式识别常用方法
    2.3 本章小结
3 基于t-SNE和 GSA肘形判据的二分K-means负荷聚类方法研究
    3.1 K-means算法的分析与改进
        3.1.1 K-means算法原理及缺陷
        3.1.2 二分K-means算法
    3.2 二分K-means算法的改进优化
        3.2.1 基于GSA算法与肘形判据的聚类个数选定
        3.2.2 数据降维技术
    3.3 基于t-SNE和 GSA肘形判据的二分K-means算法流程
    3.4 实例应用分析
        3.4.0 负荷数据预处理
        3.4.1 传统K-means算法的负荷聚类效果及缺陷分析
        3.4.2 基于改进二分K-means算法的负荷聚类有效性分析
    3.5 本章小结
4 基于改进Ada Boost集成神经网络的负荷分类识别研究
    4.1 BP神经网络分类器
        4.1.1 BP神经网络的结构
        4.1.2 BP神经网络学习流程
    4.2 分类器的集成学习
        4.2.1 集成学习基本理论
        4.2.2 AdaBoost集成学习算法
        4.2.3 集成学习存在的问题
    4.3 基于改进Ada Boost集成BP网络的负荷分类算法
    4.4 实例应用分析
        4.4.1 基于改进Ada Boost集成BP神经网络的负荷分类算法有效性分析..
        4.4.2 基于聚类与分类识别的负荷模式分析
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
攻读硕士学位期间主要研究成果



本文编号：3170922