隨著大數據技術的高速發(fā)展,在傳統(tǒng)行業(yè)獲得越來越多的應用。大數據與傳統(tǒng)電力系統(tǒng)結合構建了智能電網,實現了電網的安全、穩(wěn)定和高效運行。電力大數據由在電力系統(tǒng)運行中廣泛分布的數據傳感器和遠程終端單元(Remote Terminal Unit,RTU)獲取,其數據結構復雜、數量龐大,其潛藏的數據價值也是巨大的。本文針對電力調度循環(huán)神經網絡(Recurrent Nerual Network,RNN)短期負荷預測模型中采集數據集存在的數據缺陷、導致負荷預測精度不高的問題,利用數據挖掘中的關聯規(guī)則和聚類算法對采集數據集進行預處理,實現RNN模型的短期負荷預測,提高了預測精度。電力負荷預測問題,已有許多學者做了很多研究,但是單一的預測模型對于現今越來越冗雜的負荷數據集來說效率不高,因此,本文基于數據挖掘算法,利用改進的關聯規(guī)則挖掘算法處理采集數據集。由于采集數據集包含多種擾動因素,為了挖掘其主要因素,論文利用改進的K-means算法對其聚類,用處理的聚類數據集實現基于RNN模型的負荷預測。主要的研究內容包括:1、研究了電力大數據下負荷聚類和負荷預測問題。針對電力負荷數據集的特點,研究了多種大數據集的處理...

【文章頁數】：52 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景和意義
    1.2 國內外研究現狀
        1.2.1 短期負荷預測的研究現狀
        1.2.2 聚類算法的研究現狀
        1.2.3 關聯規(guī)則挖掘算法的研究現狀
    1.3 本文的主要研究工作
    1.4 論文的組織結構
第2章 相關基礎理論
    2.1 引言
    2.2 負荷預測基本概念
        2.2.1 短期負荷預測的基本原理
        2.2.2 短期負荷預測模型
    2.3 聚類算法
        2.3.1 基于層次的聚類算法
        2.3.2 基于密度的聚類算法
        2.3.3 基于模型的聚類算法
        2.3.4 基于劃分的聚類算法
    2.4 關聯規(guī)則挖掘算法
        2.4.1 基本概念
        2.4.2 Apriori算法
    2.5 本章小結
第3章 電力負荷數據預處理
    3.1 引言
    3.2 關聯規(guī)則挖掘
        3.2.1 FP-growth算法簡介
        3.2.2 FP-grwoth改進算法
    3.3 聚類處理
        3.3.1 傳統(tǒng)密度冠層算法
        3.3.2 基于密度冠層的K-means算法
    3.4 仿真實驗分析
        3.4.1 關聯規(guī)則挖掘分析
        3.4.2 聚類處理分析
    3.5 本章總結
第4章 CFS優(yōu)化RNN負荷預測模型
    4.1 引言
    4.2 基礎算法介紹
        4.2.1 RNN算法原理
        4.2.2 混沌自由搜索算法原理
    4.3 基于CFS優(yōu)化RNN負荷預測模型
        4.3.1 優(yōu)化負荷預測模型
        4.3.2 預測結果分析
    4.4 本章總結
總結與展望
參考文獻
致謝
附錄A 攻讀學位期間發(fā)表論文
附錄B 實習期間參與項目



本文編號：4021163