從“中發(fā)9號文”到“三型兩網(wǎng)”戰(zhàn)略目標(biāo),電力市場改革和職能電網(wǎng)建設(shè)的步伐在堅定不移的向前推進。電力市場所承載業(yè)務(wù)越來越復(fù)雜多樣,同時,大量智能量測設(shè)備也在投入使用,導(dǎo)致電力負(fù)荷數(shù)據(jù)網(wǎng)絡(luò)的規(guī)模也在不斷擴大,運用有效的數(shù)據(jù)挖掘技術(shù)對這些數(shù)據(jù)進行分析利用,對電網(wǎng)穩(wěn)定運行及電力市場健康發(fā)展有重要意義。負(fù)荷模式識別就是對不同負(fù)荷數(shù)據(jù)進行分析,并依據(jù)負(fù)荷特點劃分出不同類型的負(fù)荷模式,然后根據(jù)各類別負(fù)荷模式制定相應(yīng)的策略,對電力系統(tǒng)進行負(fù)荷分析規(guī)劃、需求側(cè)控制及響應(yīng)、負(fù)荷預(yù)測等工作有著重要的參考價值及意義。負(fù)荷模式識別的研究內(nèi)容主要是對已有負(fù)荷曲線的聚類分析以及對未知負(fù)荷的分類識別。首先對負(fù)荷數(shù)據(jù)庫中的數(shù)據(jù)集進行聚類分析,得到多種典型負(fù)荷并針對不同類型的負(fù)荷制定不同的處理方式,再通過不同種類的負(fù)荷數(shù)據(jù)訓(xùn)練出能夠識別負(fù)荷類型的分類器,對電力網(wǎng)絡(luò)中量測設(shè)備所采集到的新的未知類型的負(fù)荷數(shù)據(jù)進行分類識別,將其劃分到某一類負(fù)荷中,這樣便可以運用針對該類負(fù)荷的處理方式來處理新采集到的未知類型負(fù)荷。本文針對傳統(tǒng)負(fù)荷聚類及分類方式中存在的不足進行分析討論,并提出改進方案,主要內(nèi)容如下:（1）為解決傳統(tǒng)聚類算法處理高... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 負(fù)荷模式識別研究概述
        1.2.2 負(fù)荷聚類、分類識別研究現(xiàn)狀
        1.2.3 負(fù)荷模式識別相關(guān)應(yīng)用的研究現(xiàn)狀
    1.3 主要研究內(nèi)容
        1.3.1 研究內(nèi)容
        1.3.4 技術(shù)路線
2 負(fù)荷模式識別相關(guān)理論概述
    2.1 負(fù)荷模式定義
    2.2 電力大數(shù)據(jù)環(huán)境下的數(shù)據(jù)挖掘技術(shù)
        2.2.1 數(shù)據(jù)挖掘概念和功能
        2.2.2 數(shù)據(jù)預(yù)處理
        2.2.3 負(fù)荷模式識別常用方法
    2.3 本章小結(jié)
3 基于t-SNE和 GSA肘形判據(jù)的二分K-means負(fù)荷聚類方法研究
    3.1 K-means算法的分析與改進
        3.1.1 K-means算法原理及缺陷
        3.1.2 二分K-means算法
    3.2 二分K-means算法的改進優(yōu)化
        3.2.1 基于GSA算法與肘形判據(jù)的聚類個數(shù)選定
        3.2.2 數(shù)據(jù)降維技術(shù)
    3.3 基于t-SNE和 GSA肘形判據(jù)的二分K-means算法流程
    3.4 實例應(yīng)用分析
        3.4.0 負(fù)荷數(shù)據(jù)預(yù)處理
        3.4.1 傳統(tǒng)K-means算法的負(fù)荷聚類效果及缺陷分析
        3.4.2 基于改進二分K-means算法的負(fù)荷聚類有效性分析
    3.5 本章小結(jié)
4 基于改進Ada Boost集成神經(jīng)網(wǎng)絡(luò)的負(fù)荷分類識別研究
    4.1 BP神經(jīng)網(wǎng)絡(luò)分類器
        4.1.1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        4.1.2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)流程
    4.2 分類器的集成學(xué)習(xí)
        4.2.1 集成學(xué)習(xí)基本理論
        4.2.2 AdaBoost集成學(xué)習(xí)算法
        4.2.3 集成學(xué)習(xí)存在的問題
    4.3 基于改進Ada Boost集成BP網(wǎng)絡(luò)的負(fù)荷分類算法
    4.4 實例應(yīng)用分析
        4.4.1 基于改進Ada Boost集成BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷分類算法有效性分析..
        4.4.2 基于聚類與分類識別的負(fù)荷模式分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻
攻讀碩士學(xué)位期間主要研究成果



本文編號：3170922