题名 | 基于数据挖掘的电力负荷异常数据检测与修正研究 |
作者 | 张春燕 |
答辩日期 | 2019 |
导师 | 郝晓弘 |
关键词 | 电力负荷数据 异常数据检测与修正 PSO-PFCM聚类算法 GA-RBF神经网络 |
学位名称 | 硕士 |
英文摘要 | 随着智能电网自动化信息平台的建立,电力系统负荷数据的规模、类型及结构都发生了较大的变化。在电网实际运行过程中,电力负荷数据的质量对负荷预测精度和电网运行稳定性有着决定性的影响。为确保电力负荷数据的准确性与完整性,需要对电力负荷数据中的异常数据进行检测并给予修正。然而,现有电力负荷异常数据检测与修正方法容易出现异常值漏检与误检,以及对异常数据修正精度较低的问题,严重影响了电力系统负荷数据的质量,导致预测的负荷变化规律对电能生产与调度分配失去了指导意义,甚至影响电网安全稳定运行。本文针对电力系统负荷异常数据存在检测效率和修正精度较低的问题,提出了基于数据挖掘的电力负荷异常数据检测与修正方法。具体研究工作如下:1、基于可能性模糊C均值(PFCM)算法的电力负荷异常数据检测方法因算法自身存在初始化参数难以选取、易陷入局部最优等缺陷,易引起负荷曲线聚类结果有效性差、异常负荷数据检测效率低的问题。针对上述不足,本文分别利用动态调节权重的优化粒子群(PSO)算法与重新定义的聚类有效性函数对PFCM算法的初始中心及数目进行优化,提出了一种基于改进PFCM聚类算法的电力负荷异常数据检测方法。实验结果表明,改进的异常负荷数据检测方法不仅提高了负荷曲线聚类的有效性,而且有效降低了电力负荷异常数据检测的错误率。2、针对径向基核函数(RBF)神经网络修正异常数据时因网络结构参数选取不合理导致修正结果精确度不高的问题,本文提出一种遗传算法(GA)优化RBF的电力负荷异常数据修正方法。首先在初始化RBF神经网络后对基函数宽度、中心、以及连接权值、隐藏层神经元数目通过全局寻优能力较强的遗传算法编码联合寻优。然后对多次迭代寻优找到的最优种群个体进行解码以得到RBF神经网络的对应参数。最后利用优化的RBF神经网络对电力负荷异常数据进行修正。通过验证性对比实验结果表明,本文提出的修正方法能更准确的对异常负荷数据进行修正。3、针对RBF神经网络因训练样本选取不合理导致异常数据修正结果精度低的问题,本文利用PSO-PFCM的聚类结果训练GA-RBF网络,以实现对电力异常数据负荷更准确的修正。该修正方法充分利用能更好反应负荷曲线整体特性的聚类结果训练GA-RBF神经网络。仿真实验结果表明,基于聚类结果训练的GA-RBF神经网络的异常值修正方法有效提高了异常负荷数据的修正精度。 |
语种 | 中文 |
页码 | 66 |
URL标识 | 查看原文 |
内容类型 | 学位论文 |
源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/95496] |
专题 | 兰州理工大学 |
作者单位 | 兰州理工大学 |
推荐引用方式 GB/T 7714 | 张春燕. 基于数据挖掘的电力负荷异常数据检测与修正研究[D]. 2019. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论