本文關(guān)鍵詞：基于數(shù)據(jù)挖掘的實(shí)時電力遠(yuǎn)動傳輸異常檢測，，由筆耕文化傳播整理發(fā)布。

【摘要】：電力遠(yuǎn)動傳輸異常檢測為電網(wǎng)穩(wěn)定運(yùn)行提供有力的支持和保障,可以減少甚至避免電網(wǎng)異常所造成的損失。如何從大量電力遠(yuǎn)動傳輸數(shù)據(jù)中提取有用信息,實(shí)現(xiàn)快速實(shí)時準(zhǔn)確的異常檢測分析,是電力遠(yuǎn)動傳輸異常檢測的主要挑戰(zhàn)。本文主要圍繞基于數(shù)據(jù)挖掘的實(shí)時電力遠(yuǎn)動傳輸異常檢測方法展開系統(tǒng)研究,為異常檢測系統(tǒng)實(shí)現(xiàn)提供可行思路。本文首先介紹基于數(shù)據(jù)挖掘的實(shí)時電力遠(yuǎn)動傳輸異常檢測的研究目的和意義。同時,從異常檢測和數(shù)據(jù)挖掘兩個角度對國內(nèi)外的研究現(xiàn)狀進(jìn)行總結(jié)介紹。針對電力遠(yuǎn)動傳輸系統(tǒng)的特點(diǎn),對電力遠(yuǎn)動傳輸系統(tǒng)通信數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理。同時,利用小波變換對通信流量信號進(jìn)行頻域分析,建立基于IF-THEN規(guī)則的專家系統(tǒng),對通信信號進(jìn)行初步異常檢測;另外,將通信信號小波變換的統(tǒng)計分析數(shù)據(jù)加入對應(yīng)廠站的特征屬性集,進(jìn)行特征子集選擇,得到最優(yōu)特征子集。然后,提出基于馬氏距離的雙層聚類算法(MClu Stream算法)和基于網(wǎng)格密度的雙層聚類算法(DBClu Stream算法)對遠(yuǎn)動傳輸數(shù)據(jù)進(jìn)行算法分析。MClu Stream算法主要對K-means聚類算法和CURE聚類算法進(jìn)行改進(jìn)融合,并加入馬氏距離進(jìn)行相似度計算,提高算法對非球面分布數(shù)據(jù)的分析能力。DBClu Stream算法則引入密度網(wǎng)格方法對K-means算法進(jìn)行改進(jìn),提高在線分析階段的穩(wěn)定性;離線部分,采用DENCLUE改進(jìn)密度聚類算法實(shí)現(xiàn)對任意形狀分布數(shù)據(jù)的分析。最后,分別對提出算法進(jìn)行仿真分析,驗(yàn)證算法的有效性和穩(wěn)定性。在得到小波變換分析和雙層聚類分析的結(jié)果后,本文利用改進(jìn)貝葉斯算法對分析結(jié)果進(jìn)行綜合判斷,最大限度地提高系統(tǒng)準(zhǔn)確性,并且通過實(shí)際電力遠(yuǎn)動傳輸數(shù)據(jù)仿真對改進(jìn)貝葉斯算法的有效性進(jìn)行驗(yàn)證。同時,利用實(shí)時計算框架Storm實(shí)現(xiàn)基于貝葉斯算法的實(shí)時電力遠(yuǎn)動傳輸異常檢測系統(tǒng),并通過分布式計算框架Hadoop對系統(tǒng)中部分計算進(jìn)行優(yōu)化,提高系統(tǒng)并發(fā)率,降低計算時延。
【關(guān)鍵詞】：電力遠(yuǎn)動 異常檢測 小波變換 聚類算法 實(shí)時分布式計算
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP311.13;TM732
【目錄】：

• 摘要3-5
• ABSTRACT5-10
• 第一章 緒論10-18
• 1.1 研究背景和意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-16
• 1.2.1 異常檢測研究現(xiàn)狀11-12
• 1.2.2 知識發(fā)現(xiàn)12-13
• 1.2.3 數(shù)據(jù)挖掘算法13-16
• 1.3 課題研究內(nèi)容與論文構(gòu)成16-18
• 第二章 數(shù)據(jù)預(yù)處理及小波變換分析18-35
• 2.1 引言18
• 2.2 電力遠(yuǎn)動傳輸系統(tǒng)18-19
• 2.3 數(shù)據(jù)預(yù)處理19-22
• 2.4 小波變換22-24
• 2.5 經(jīng)典小波變換算法24-27
• 2.6 小波變換在異常檢測的應(yīng)用27-34
• 2.7 本章小結(jié)34-35
• 第三章 基于聚類算法的電力遠(yuǎn)動傳輸異常檢測35-55
• 3.1 引言35
• 3.2 聚類算法種類和原理35-38
• 3.3 基于馬氏距離的雙層聚類算法MClu Stream38-45
• 3.3.1 算法原理38-39
• 3.3.2 在線部分：K-means改進(jìn)聚類算法39
• 3.3.3 離線部分：基于馬氏距離的CURE改進(jìn)聚類算法39-41
• 3.3.4 仿真分析41-45
• 3.4 基于網(wǎng)格密度的雙層聚類算法DBClustream45-54
• 3.4.1 算法原理45-47
• 3.4.2 在線部分：基于網(wǎng)格密度的K-means改進(jìn)聚類算法47-49
• 3.4.3 離線部分：DENCLUE改進(jìn)聚類算法49-51
• 3.4.4 仿真分析51-54
• 3.5 本章小結(jié)54-55
• 第四章 基于改進(jìn)貝葉斯算法的實(shí)時異常檢測系統(tǒng)55-69
• 4.1 引言55
• 4.2 基于改進(jìn)貝葉斯算法的電力遠(yuǎn)動傳輸異常檢測55-60
• 4.3 基于實(shí)時計算框架Storm的實(shí)時異常檢測系統(tǒng)60-64
• 4.4 基于Hadoop的實(shí)時異常檢測系統(tǒng)優(yōu)化64-68
• 4.5 本章小結(jié)68-69
• 第五章 總結(jié)與展望69-71
• 5.1 全文的研究內(nèi)容69-70
• 5.2 未來工作展望70-71
• 附錄71-75
• 附錄一：基于Storm的實(shí)時異常檢測系統(tǒng)拓?fù)浣Y(jié)構(gòu)及節(jié)點(diǎn)代碼71-73
• 附錄二：基于Hadoop的優(yōu)化系統(tǒng)計算代碼73-75
• 參考文獻(xiàn)75-80
• 致謝80-81
• 攻讀碩士學(xué)位期間已發(fā)表或錄用的論文81-83

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 吳明暉;張紅喜;金蒼宏;蔡文明;;一種基于邊緣度密度距的聚類算法[J];計算機(jī)科學(xué);2014年08期

2 張昭;張潤蓮;蔣曉鴿;曾兵;;基于特征選擇和支持向量機(jī)的異常檢測方法[J];計算機(jī)工程與設(shè)計;2013年09期

3 石崇林;淦文燕;吳琳;張茂軍;唐宇波;;計算機(jī)兵棋作戰(zhàn)實(shí)體軌跡聚類算法[J];軟件學(xué)報;2013年03期

4 李雙慶;慕升弟;;一種改進(jìn)的DBSCAN算法及其應(yīng)用[J];計算機(jī)工程與應(yīng)用;2014年08期

5 郭磊;王亞弟;陳庶樵;朱珂;韓繼紅;;一種基于信息度量的流特征遴選算法[J];計算機(jī)工程;2012年16期

6 李強(qiáng);徐捷;;貝葉斯網(wǎng)在數(shù)據(jù)挖掘中的應(yīng)用[J];中國科技信息;2012年13期

7 崔貫勛;李梁;王柯柯;倪偉;茍光磊;;基于改進(jìn)Apriori算法的入侵檢測系統(tǒng)研究[J];計算機(jī)工程與科學(xué);2011年04期

8 梁運(yùn)華;曾海燕;黃亦軍;;IEC60870-5-104規(guī)約遠(yuǎn)動信息丟失異常分析及對策[J];湖南電力;2011年01期

9 蔡妮明;王翰虎;陳梅;;一種基于滑動窗口的流數(shù)據(jù)聚類算法[J];計算機(jī)技術(shù)與發(fā)展;2011年01期

10 夏寧霞;蘇一丹;覃希;;一種高效的K-medoids聚類算法[J];計算機(jī)應(yīng)用研究;2010年12期

  本文關(guān)鍵詞：基于數(shù)據(jù)挖掘的實(shí)時電力遠(yuǎn)動傳輸異常檢測，由筆耕文化傳播整理發(fā)布。

本文編號：320501