隨著檢測設(shè)備的多樣化,各領(lǐng)域的相關(guān)數(shù)據(jù)均呈現(xiàn)出多維化、時序化等特點。時間序列數(shù)據(jù)與其他數(shù)據(jù)相比具有連續(xù)性、隨機(jī)性以及周期性等特性。時序數(shù)據(jù)的這些特性表明了在數(shù)據(jù)預(yù)測方面的可實施性以及預(yù)測中的困難性。通過對時間序列數(shù)據(jù)的分析和預(yù)測,既可以挖掘出隱藏在數(shù)據(jù)內(nèi)部潛在價值,避免產(chǎn)生數(shù)據(jù)浪費(fèi)的現(xiàn)象,提高相關(guān)工作效率,又能通過預(yù)測數(shù)據(jù)為將來的工作提供指導(dǎo)和依據(jù)。為了能夠更好的規(guī)避風(fēng)險,降低運(yùn)維成本,多維時間序列數(shù)據(jù)預(yù)測與分析技術(shù)在電力需求預(yù)測、股票走勢預(yù)測、智能醫(yī)療診斷分析、語音識別等方面的研究逐漸得到人們的重視。為了解決能源分布不均衡的現(xiàn)狀,高壓直流輸電技術(shù)發(fā)展迅速,輸電過程中對安全性和穩(wěn)定性的要求也越來越高。換流站的整流和逆變工作是高壓直流輸電的重要環(huán)節(jié),換流站閥冷系統(tǒng)又是保證換流閥穩(wěn)定運(yùn)行的關(guān)鍵。目前對于換流站閥冷系統(tǒng)的多維時序數(shù)據(jù)的研究分析較少,因此,本文以多維時序數(shù)據(jù)在運(yùn)維優(yōu)化方面的應(yīng)用為目標(biāo),以換流站閥冷系統(tǒng)的實際數(shù)據(jù)為基礎(chǔ),主要完成了以下工作:（1）數(shù)據(jù)預(yù)處理。通過收集整理換流站閥冷系統(tǒng)的歷史數(shù)據(jù),分析數(shù)據(jù)特征,實現(xiàn)了對歷史數(shù)據(jù)中異常數(shù)據(jù)的識別和修正。對于不能修正的數(shù)據(jù)和原始數(shù)據(jù)中的... 

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究的背景與意義
    1.2 研究現(xiàn)狀的分析
    1.3 本文的主要研究內(nèi)容
    1.4 本章小結(jié)
第2章 數(shù)據(jù)預(yù)處理
    2.1 異常數(shù)據(jù)的處理
        2.1.1 異常數(shù)據(jù)的產(chǎn)生
        2.1.2 異常數(shù)據(jù)的識別與修正
    2.2 缺失數(shù)據(jù)的處理
        2.2.1 數(shù)據(jù)刪除法
        2.2.2 數(shù)據(jù)填充法
    2.3 基于滑動窗口的K近鄰填充算法
    2.4 基于閥冷系統(tǒng)時序數(shù)據(jù)的預(yù)處理實例
        2.4.1 閥冷系統(tǒng)相關(guān)數(shù)據(jù)集的構(gòu)建
        2.4.2 閥冷系統(tǒng)異常數(shù)據(jù)的處理
        2.4.3 閥冷系統(tǒng)缺失數(shù)據(jù)填充
    2.5 本章小結(jié)
第3章 多維時序數(shù)據(jù)預(yù)測
    3.1 前饋神經(jīng)網(wǎng)絡(luò)(FNN)
    3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)
    3.3 長短期記憶網(wǎng)絡(luò)(LSTM)
    3.4 基于閥冷系統(tǒng)時序數(shù)據(jù)的預(yù)測實例
        3.4.1 閥冷系統(tǒng)數(shù)據(jù)的獲取和處理
        3.4.2 閥冷系統(tǒng)數(shù)據(jù)預(yù)測算法模型的框架
        3.4.3 閥冷系統(tǒng)數(shù)據(jù)預(yù)測算法模型評價和分析
    3.5 本章小結(jié)
第4章 多維時序數(shù)據(jù)應(yīng)用實例
    4.1 確定數(shù)據(jù)應(yīng)用目標(biāo)
    4.2 閥冷系統(tǒng)冷卻能力影響因素分析
        4.2.1 閥冷系統(tǒng)外冷能力的影響因素
        4.2.2 閥冷系統(tǒng)內(nèi)冷能力的影響因素
    4.3 閥冷系統(tǒng)冷卻能力
        4.3.1 閥冷系統(tǒng)外冷能力的判斷
        4.3.2 閥冷系統(tǒng)內(nèi)冷卻能力裕量的計算
        4.3.3 冷卻能力分析中的不足
    4.4 閥冷系統(tǒng)故障分析判斷
    4.5 本章小結(jié)
第5章 總結(jié)與展望
參考文獻(xiàn)
致謝
學(xué)位論文評閱及答辯情況表


【參考文獻(xiàn)】：
期刊論文
[1]基于EMD和神經(jīng)網(wǎng)絡(luò)的非線性時間序列預(yù)測方法[J]. 涂錦,冷正興,劉丁毅.  統(tǒng)計與決策. 2020(08)
[2]高壓直流換流閥冷卻系統(tǒng)保護(hù)配置及定值整定[J]. 嚴(yán)喜林,國建寶,楊光源,崔鵬飛,張懌寧.  廣東電力. 2019(04)
[3]基于深度長短時記憶網(wǎng)絡(luò)的區(qū)域級超短期負(fù)荷預(yù)測方法[J]. 張宇帆,艾芊,林琳,袁帥,李昭昱.  電網(wǎng)技術(shù). 2019(06)
[4]換流閥水冷系統(tǒng)故障統(tǒng)計及原因分析[J]. 劉德慶,何瀟,郭新良,張勝寒,何寬.  山東化工. 2019(06)
[5]閥冷系統(tǒng)泄漏保護(hù)優(yōu)化[J]. 申磊.  化工管理. 2019(06)
[6]一種換流站水冷池液位監(jiān)測裝置的設(shè)計[J]. 劉釗.  通信電源技術(shù). 2019(01)
[7]高壓直流輸電換流閥冷卻系統(tǒng)仿真試驗平臺設(shè)計與實現(xiàn)[J]. 盧志敏,文玉良,劉重強(qiáng),雷勇毅.  電工技術(shù). 2018(14)
[8]基于深度學(xué)習(xí)LSTM網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測方法[J]. 陳卓,孫龍祥.  電子技術(shù). 2018(01)
[9]基于長短期記憶網(wǎng)絡(luò)的風(fēng)電場發(fā)電功率超短期預(yù)測[J]. 朱喬木,李弘毅,王子琪,陳金富,王博.  電網(wǎng)技術(shù). 2017(12)
[10]一種基于LSTM神經(jīng)網(wǎng)絡(luò)的短期用電負(fù)荷預(yù)測方法[J]. 張宇航,邱才明,賀興,凌澤南,石鑫.  電力信息與通信技術(shù). 2017(09)

博士論文
[1]多元時間序列分割與預(yù)測方法及應(yīng)用研究[D]. 郭紅月.大連理工大學(xué) 2017
[2]可再生能源發(fā)電并網(wǎng)協(xié)調(diào)策略的研究[D]. 于大洋.山東大學(xué) 2010

碩士論文
[1]基于時間序列分析方法的金融數(shù)據(jù)研究[D]. 陳穎.大連理工大學(xué) 2019
[2]高壓直流輸電工程換流閥冷卻系統(tǒng)仿真試驗平臺研制[D]. 崔鳳慶.鄭州大學(xué) 2017
[3]基于神經(jīng)網(wǎng)絡(luò)智能算法的電力系統(tǒng)短期負(fù)荷預(yù)測研究[D]. 林麒麟.蘭州理工大學(xué) 2017
[4]基于支撐向量機(jī)的電力系統(tǒng)短期負(fù)荷預(yù)測[D]. 陳亮宏.華南理工大學(xué) 2012



本文編號：3652790