互聯(lián)網(wǎng)技術(shù)的發(fā)展以及各行各業(yè)對電能的需求不斷增高,催生了能源互聯(lián)網(wǎng)。在此背景下,居民用電逐步智能化,電網(wǎng)與用戶之間實(shí)現(xiàn)用電信息雙向交互成為必然趨勢。同時,智能小區(qū)在不斷發(fā)展的過程中積累了大量的用電數(shù)據(jù),通過數(shù)據(jù)挖掘方法對用電數(shù)據(jù)進(jìn)行挖掘并分析用戶用電行為,可為電網(wǎng)公司制定科學(xué)合理的電力需求響應(yīng)策略提供數(shù)據(jù)支撐。此外,電網(wǎng)將居民用電信息反饋給用戶,幫助用戶了解自身用電情況,規(guī)范用電行為,挖掘用電潛力。本文在國內(nèi)外學(xué)者的研究基礎(chǔ)上,面向能源互聯(lián)網(wǎng)中居民用電數(shù)據(jù)的K-Means聚類算法展開了研究,主要研究工作包括以下幾個方面:1.為解決傳統(tǒng)K-Means算法中存在的初始聚類中心和K值確定問題,研究了一種基于密度Canopy的K-Means改進(jìn)算法。該算法以密度Canopy聚類作為K-Means算法的預(yù)處理步驟,通過定義樣本密度、簇內(nèi)樣本平均距離的倒數(shù)和簇間距離三者乘積為權(quán)值積,在數(shù)據(jù)集中以權(quán)值積最大原則依次確定聚類中心,并把密度Canopy聚類結(jié)果作為K-Means的類別數(shù)和初始聚類中心,最終進(jìn)行數(shù)據(jù)集的聚類分析。仿真對比實(shí)驗(yàn)結(jié)果表明改進(jìn)的算法具有更高的聚類準(zhǔn)確率和更強(qiáng)的抗噪聲干擾性能。2.... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 研究現(xiàn)狀
        1.2.1 K-Means聚類算法研究現(xiàn)狀
        1.2.2 面向能源互聯(lián)網(wǎng)用電數(shù)據(jù)的K-Means算法研究現(xiàn)狀
        1.2.3 電力負(fù)荷預(yù)測研究現(xiàn)狀
    1.3 存在的問題
    1.4 論文的主要工作及結(jié)構(gòu)安排
第2章 相關(guān)理論基礎(chǔ)
    2.1 能源互聯(lián)網(wǎng)
    2.2 聚類算法
    2.3 云計(jì)算平臺技術(shù)
    2.4 BP神經(jīng)網(wǎng)絡(luò)技術(shù)
        2.4.1 信號正向傳播
        2.4.2 誤差反向傳播
    2.5 本章小結(jié)
第3章 基于密度Canopy的 K-Means改進(jìn)算法
    3.1 引言
    3.2 基于密度Canopy的 K-Means算法
        3.2.1 Canopy算法原理
        3.2.2 密度Canopy算法
        3.2.3 基于密度Canopy的 K-Means算法
    3.3 仿真分析
        3.3.1 聚類結(jié)果有效性衡量標(biāo)準(zhǔn)
        3.3.2 UCI數(shù)據(jù)集仿真實(shí)驗(yàn)
        3.3.3 模擬數(shù)據(jù)集仿真實(shí)驗(yàn)
        3.3.4 算法復(fù)雜度分析
    3.4 本章小結(jié)
第4章 基于云計(jì)算和改進(jìn)K-Means算法的用電數(shù)據(jù)分析
    4.1 引言
    4.2 用電數(shù)據(jù)分析模型架構(gòu)
    4.3 基于云計(jì)算和改進(jìn)K-Means算法的用電數(shù)據(jù)分析
        4.3.1 用電數(shù)據(jù)預(yù)處理
        4.3.2 基于改進(jìn)K-Means算法的用電數(shù)據(jù)并行挖掘
    4.4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        4.4.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)來源
        4.4.2 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第5章 基于K-Means的 BP神經(jīng)網(wǎng)絡(luò)短時居民用電負(fù)荷預(yù)測
    5.1 引言
    5.2 方法整體框架
    5.3 BP神經(jīng)網(wǎng)絡(luò)短時居民用電負(fù)荷預(yù)測方法
    5.4 短時居民用電負(fù)荷預(yù)測的評價(jià)標(biāo)準(zhǔn)
    5.5 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
        5.5.1 實(shí)驗(yàn)設(shè)計(jì)和實(shí)驗(yàn)數(shù)據(jù)
        5.5.2 實(shí)驗(yàn)結(jié)果分析
    5.6 本章小結(jié)
第6章 全文總結(jié)及未來展望
    6.1 全文總結(jié)
    6.2 未來展望
參考文獻(xiàn)
附錄A 論文中相關(guān)算法的偽代碼
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號：3180456