本文關(guān)鍵詞：基于云計(jì)算和優(yōu)化KMeans的電力不良數(shù)據(jù)辨識(shí)

  更多相關(guān)文章： 云計(jì)算 粒子群算法 并行算法 KMeans

【摘要】：隨著智能電網(wǎng)的迅速發(fā)展和電力信息的爆炸式增長(zhǎng),電力系統(tǒng)運(yùn)行過(guò)程中會(huì)產(chǎn)生海量的數(shù)據(jù),這些數(shù)據(jù)在產(chǎn)生和傳輸?shù)倪^(guò)程中,容易受到各種因素的干擾而產(chǎn)生不良數(shù)據(jù),如雷電、磁場(chǎng)、傳輸設(shè)備故障等,而電力系統(tǒng)狀態(tài)估計(jì)最基本的要求就是基礎(chǔ)數(shù)據(jù)必須得準(zhǔn)確。由于數(shù)據(jù)是海量的,人工篩選的成本是非常高的,這就迫切需要一種新的解決方案。本文在研究了電力系統(tǒng)不良數(shù)據(jù)的特點(diǎn)后,給出先采用數(shù)據(jù)挖掘的方式來(lái)解決篩選不良數(shù)據(jù)的方案,經(jīng)過(guò)對(duì)傳統(tǒng)KMeans的深入學(xué)習(xí),并且對(duì)慣性權(quán)重優(yōu)化粒子群算法的系統(tǒng)研究,給出了基于慣性權(quán)重優(yōu)化后的粒子群方法改進(jìn)傳統(tǒng)KMeans的算法。整合后的算法有效解決了傳統(tǒng)KMeans聚類方法無(wú)法高效確定聚類中心的問(wèn)題,通過(guò)結(jié)合PSO算法所具有的快速確定粒子群中心的特點(diǎn),使得算法本身更加高效和準(zhǔn)確,并通過(guò)MATLAB仿真實(shí)驗(yàn)驗(yàn)證了它的可行性;然后針對(duì)電力系統(tǒng)需要處理的數(shù)據(jù)量大,傳統(tǒng)算法計(jì)算效率低、耗時(shí)時(shí)間長(zhǎng)的問(wèn)題,研究了粒子群優(yōu)化傳統(tǒng)KMeans算法的并行化算法解決方案,并對(duì)整合后的算法應(yīng)用Hadoop云計(jì)算技術(shù),用Map函數(shù)實(shí)現(xiàn)PSO優(yōu)化KMeans的改進(jìn)方案,高效地解決了PSO優(yōu)化KMeans在對(duì)海量數(shù)據(jù)進(jìn)行運(yùn)算時(shí)耗時(shí)時(shí)間長(zhǎng)的難題;最后,進(jìn)行Hadoop平臺(tái)的實(shí)驗(yàn)驗(yàn)證,并進(jìn)一步論證結(jié)果的有效性。本次實(shí)驗(yàn)所選用的數(shù)據(jù)集是基于IEEE-14節(jié)點(diǎn)的標(biāo)準(zhǔn)集形成的模擬數(shù)據(jù),通過(guò)單機(jī)方式和云計(jì)算集群方式進(jìn)行算法對(duì)比仿真實(shí)驗(yàn),在實(shí)驗(yàn)室搭建的云計(jì)算集群上對(duì)給出的算法做性能測(cè)試,實(shí)驗(yàn)結(jié)果表明PSO優(yōu)化KMeans的云計(jì)算模式優(yōu)于傳統(tǒng)算法,且具有較好的性能。
【關(guān)鍵詞】：云計(jì)算 粒子群算法 并行算法 KMeans
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP311.13;TM769
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-13
• 1.1 選題背景及其意義9-10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-11
• 1.2.1 云計(jì)算研究現(xiàn)狀10
• 1.2.2 電力系統(tǒng)不良數(shù)據(jù)辨識(shí)算法研究現(xiàn)狀10-11
• 1.3 本文主要工作11-13
• 第2章 相關(guān)技術(shù)13-26
• 2.1 電力系統(tǒng)不良數(shù)據(jù)辨識(shí)常用算法13-14
• 2.2 KMeans算法研究14-17
• 2.3 云計(jì)算技術(shù)17-21
• 2.3.1 云計(jì)算概念和特點(diǎn)17-18
• 2.3.2 云計(jì)算的工作原理和關(guān)鍵技術(shù)18-19
• 2.3.3 云計(jì)算分類及產(chǎn)業(yè)現(xiàn)狀19-21
• 2.4 開源Hadoop云計(jì)算技術(shù)21-25
• 2.4.1 HDFS分布式文件系統(tǒng)21-22
• 2.4.2 MapReduce編程框架22-24
• 2.4.3 HBase分布式數(shù)據(jù)庫(kù)24-25
• 2.5 本章小結(jié)25-26
• 第3章 基于PSO優(yōu)化KMeans的電力系統(tǒng)不良數(shù)據(jù)辨識(shí)算法26-37
• 3.1 傳統(tǒng)辨識(shí)算法的不足26
• 3.2 粒子群算法概述（PSO）26-30
• 3.2.1 PSO算法基本概念26-27
• 3.2.2 PSO算法基本原理及流程27-29
• 3.2.3 基于慣性權(quán)重法優(yōu)化PSO算法29-30
• 3.3 基于慣性權(quán)重PSO-KMeans的聚類算法30-36
• 3.3.1 算法設(shè)計(jì)30-31
• 3.3.2 核心MATLAB代碼參考31-33
• 3.3.3 算法仿真實(shí)驗(yàn)33-36
• 3.3.4 算法性能與傳統(tǒng)算法對(duì)比分析36
• 3.4 本章小結(jié)36-37
• 第4章 基于Hadoop實(shí)現(xiàn)的粒子群優(yōu)化KMeans并行算法設(shè)計(jì)與實(shí)現(xiàn)37-45
• 4.1 PSO-KMeans并行算法設(shè)計(jì)37-39
• 4.1.1 傳統(tǒng)單機(jī)算法的不足37
• 4.1.2 算法設(shè)計(jì)思想37-38
• 4.1.3 算法流程設(shè)計(jì)38-39
• 4.2 Hadoop實(shí)現(xiàn)39-43
• 4.2.1 實(shí)現(xiàn)過(guò)程39-40
• 4.2.2 Map函數(shù)設(shè)計(jì)40-41
• 4.2.3 Reduce函數(shù)設(shè)計(jì)41-43
• 4.3 HBase設(shè)計(jì)與實(shí)現(xiàn)43-44
• 4.4 本章小結(jié)44-45
• 第5章 云平臺(tái)實(shí)驗(yàn)測(cè)試及性能分析45-59
• 5.1 Hadoop云計(jì)算平臺(tái)與開發(fā)環(huán)境的搭建與配置45-52
• 5.1.1 系統(tǒng)環(huán)境配置45-47
• 5.1.2 全分布Hadoop集群搭建47-49
• 5.1.3 全分布HBase的安裝與配置49-51
• 5.1.4 開發(fā)平臺(tái)搭建51-52
• 5.2 全分布環(huán)境下HBase的安裝52-55
• 5.2.1 安裝說(shuō)明52-53
• 5.2.2 安裝并配置HBase53-55
• 5.3 電網(wǎng)數(shù)據(jù)模擬55-56
• 5.4 仿真結(jié)果及性能分析56-58
• 5.4.1 仿真結(jié)果56-58
• 5.4.2 性能對(duì)比分析58
• 5.5 本章小結(jié)58-59
• 第6章 總結(jié)與展望59-60
• 參考文獻(xiàn)60-63
• 在碩士研究生學(xué)習(xí)期間發(fā)表的學(xué)術(shù)論文及科研情況63-64
• 致謝64

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 全芙蓉;;粒子群算法的理論分析與研究[J];硅谷;2010年23期

2 吳軍;李為吉;;改進(jìn)的粒子群算法及在結(jié)構(gòu)優(yōu)化中的應(yīng)用[J];陜西理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2006年04期

3 段海濤;劉永忠;馮霄;;水系統(tǒng)優(yōu)化的粒子群算法分析[J];華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

4 王偉;;混合粒子群算法及其優(yōu)化效率評(píng)價(jià)[J];中國(guó)水運(yùn)(學(xué)術(shù)版);2007年06期

5 付宜利;封海波;孫建勛;李榮;馬玉林;;機(jī)電產(chǎn)品管路自動(dòng)敷設(shè)的粒子群算法[J];機(jī)械工程學(xué)報(bào);2007年11期

6 蔣榮華;王厚軍;龍兵;;基于離散粒子群算法的測(cè)試選擇[J];電子測(cè)量與儀器學(xué)報(bào);2008年02期

7 周苗;陳義保;劉加光;;一種新的協(xié)同多目標(biāo)粒子群算法[J];山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年05期

8 姚峰;楊衛(wèi)東;張明;;改進(jìn)粒子群算法及其在熱連軋負(fù)荷分配中的應(yīng)用[J];北京科技大學(xué)學(xué)報(bào);2009年08期

9 張大興;賈建援;張愛梅;郭永獻(xiàn);;基于粒子群算法的三軸跟瞄裝置跟蹤策略研究[J];儀器儀表學(xué)報(bào);2009年09期

10 王麗萍;江波;邱飛岳;;基于決策偏好的多目標(biāo)粒子群算法及其應(yīng)用[J];計(jì)算機(jī)集成制造系統(tǒng);2010年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 朱童;李小凡;魯明文;;位置加權(quán)的改進(jìn)粒子群算法[A];中國(guó)科學(xué)院地質(zhì)與地球物理研究所第11屆（2011年度）學(xué)術(shù)年會(huì)論文集(上)[C];2012年

2 陳定;何炳發(fā);;一種新的二進(jìn)制粒子群算法在稀疏陣列綜合中的應(yīng)用[A];2009年全國(guó)天線年會(huì)論文集（上）[C];2009年

3 陳龍祥;蔡國(guó)平;;基于粒子群算法的時(shí)滯動(dòng)力學(xué)系統(tǒng)的時(shí)滯辨識(shí)[A];第十二屆全國(guó)非線性振動(dòng)暨第九屆全國(guó)非線性動(dòng)力學(xué)和運(yùn)動(dòng)穩(wěn)定性學(xué)術(shù)會(huì)議論文集[C];2009年

4 于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優(yōu)化設(shè)計(jì)中的應(yīng)用[A];第十一屆全國(guó)膨脹節(jié)學(xué)術(shù)會(huì)議膨脹節(jié)設(shè)計(jì)、制造和應(yīng)用技術(shù)論文選集[C];2010年

5 劉卓倩;顧幸生;;一種基于信息熵的改進(jìn)粒子群算法[A];系統(tǒng)仿真技術(shù)及其應(yīng)用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文選編[C];2005年

6 熊偉麗;徐保國(guó);;粒子群算法在支持向量機(jī)參數(shù)選擇優(yōu)化中的應(yīng)用研究[A];2007中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

7 方衛(wèi)華;徐蘭玉;陳允平;;改進(jìn)粒子群算法在大壩力學(xué)參數(shù)分區(qū)反演中的應(yīng)用[A];2012年中國(guó)水力發(fā)電工程學(xué)會(huì)大壩安全監(jiān)測(cè)專委會(huì)年會(huì)暨學(xué)術(shù)交流會(huì)論文集[C];2012年

8 熊偉麗;徐保國(guó);;單個(gè)粒子收斂中心隨機(jī)攝動(dòng)的粒子群算法[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

9 馬向陽(yáng);陳琦;;以粒子群算法求解買賣雙方存貨主從對(duì)策[A];第十二屆中國(guó)管理科學(xué)學(xué)術(shù)年會(huì)論文集[C];2010年

10 趙磊;;基于粒子群算法求解多目標(biāo)函數(shù)優(yōu)化問(wèn)題[A];第二十一屆中國(guó)（天津）’2007IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2007年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 王芳;粒子群算法的研究[D];西南大學(xué);2006年

2 安鎮(zhèn)宙;家庭粒子群算法及其奇偶性與收斂性分析[D];云南大學(xué);2012年

3 劉建華;粒子群算法的基本理論及其改進(jìn)研究[D];中南大學(xué);2009年

4 黃平;粒子群算法改進(jìn)及其在電力系統(tǒng)的應(yīng)用[D];華南理工大學(xué);2012年

5 胡成玉;面向動(dòng)態(tài)環(huán)境的粒子群算法研究[D];華中科技大學(xué);2010年

6 張靜;基于混合離散粒子群算法的柔性作業(yè)車間調(diào)度問(wèn)題研究[D];浙江工業(yè)大學(xué);2014年

7 張寶;粒子群算法及其在衛(wèi)星艙布局中的應(yīng)用研究[D];大連理工大學(xué);2007年

8 劉宏達(dá);粒子群算法的研究及其在船舶工程中的應(yīng)用[D];哈爾濱工程大學(xué);2008年

9 楊輕云;約束滿足問(wèn)題與調(diào)度問(wèn)題中離散粒子群算法研究[D];吉林大學(xué);2006年

10 馮琳;改進(jìn)多目標(biāo)粒子群算法的研究及其在電弧爐供電曲線優(yōu)化中的應(yīng)用[D];東北大學(xué);2013年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 張忠偉;結(jié)構(gòu)優(yōu)化中粒子群算法的研究與應(yīng)用[D];大連理工大學(xué);2009年

2 李強(qiáng);基于改進(jìn)粒子群算法的艾薩爐配料優(yōu)化[D];昆明理工大學(xué);2015年

3 付曉艷;基于粒子群算法的自調(diào)節(jié)隸屬函數(shù)模糊控制器設(shè)計(jì)[D];河北聯(lián)合大學(xué);2014年

4 余漢森;粒子群算法的自適應(yīng)變異研究[D];南京信息工程大學(xué);2015年

5 梁計(jì)鋒;基于改進(jìn)粒子群算法的交通控制算法研究[D];長(zhǎng)安大學(xué);2015年

6 楊偉;基于粒子群算法的氧樂(lè)果合成過(guò)程建模研究[D];鄭州大學(xué);2015年

7 李程;基于粒子群算法的AS/RS優(yōu)化調(diào)度方法研究[D];陜西科技大學(xué);2015年

8 樊偉健;基于混合混沌粒子群算法求解變循環(huán)發(fā)動(dòng)機(jī)數(shù)學(xué)模型問(wèn)題[D];山東大學(xué);2015年

9 陳百霞;考慮風(fēng)電場(chǎng)并網(wǎng)的電力系統(tǒng)無(wú)功優(yōu)化[D];山東大學(xué);2015年

10 戴玉倩;基于混合動(dòng)態(tài)粒子群算法的軟件測(cè)試數(shù)據(jù)自動(dòng)生成研究[D];江西理工大學(xué);2015年

，

本文編號(hào)：939318