隨著我國智能配電網(wǎng)的建設(shè)和發(fā)展,各種信息化系統(tǒng)在配電網(wǎng)中得到廣泛應(yīng)用,配電網(wǎng)智能化、信息化程度也隨之不斷提高。各系統(tǒng)中記錄了配電網(wǎng)大量運(yùn)行數(shù)據(jù),其中蘊(yùn)含著配電網(wǎng)運(yùn)行維護(hù)的隱含規(guī)律。如果能夠充分挖掘其中的隱含規(guī)律,則能為配電網(wǎng)日常運(yùn)維工作提供支撐。目前,配電網(wǎng)信息化系統(tǒng)數(shù)據(jù)規(guī)模還在激增,數(shù)據(jù)復(fù)雜度也在不斷升高,利用傳統(tǒng)數(shù)據(jù)挖掘手段已經(jīng)難以從中挖掘出運(yùn)行維護(hù)過程中的隱含規(guī)律。大數(shù)據(jù)技術(shù)近年來蓬勃發(fā)展,在挖掘多源異構(gòu)數(shù)據(jù)中展現(xiàn)了強(qiáng)大的優(yōu)勢(shì),已經(jīng)廣泛應(yīng)用于經(jīng)濟(jì)、醫(yī)療、交通等領(lǐng)域。將大數(shù)據(jù)技術(shù)運(yùn)用到配電網(wǎng)數(shù)據(jù)中,可以高效、深入地挖掘出有用價(jià)值,輔助電網(wǎng)人員進(jìn)行運(yùn)維決策。本文將大數(shù)據(jù)技術(shù)運(yùn)用到配電網(wǎng)運(yùn)維數(shù)據(jù)挖掘研究中,探索出了一條從配電網(wǎng)數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘到可視化展示的完整大數(shù)據(jù)運(yùn)用路線。本文著重從配電網(wǎng)運(yùn)維水平評(píng)價(jià)和運(yùn)維事件序列關(guān)聯(lián)挖掘兩個(gè)方面進(jìn)行數(shù)據(jù)挖掘和可視化展示。本文工作主要有以下幾個(gè)方面:(1)總結(jié)和介紹了大數(shù)據(jù)平臺(tái)、大數(shù)據(jù)挖掘技術(shù)、大數(shù)據(jù)可視化技術(shù),并搭建了研究所需的大數(shù)據(jù)集群。大數(shù)據(jù)平臺(tái)主要介紹了Hadoop生態(tài)系統(tǒng),以及HDFS和MapReduce兩個(gè)主要部分。大數(shù)據(jù)挖...

【文章頁數(shù)】：85 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 背景及意義
    1.2 國內(nèi)外研究動(dòng)態(tài)
        1.2.1 大數(shù)據(jù)概念
        1.2.2 電力大數(shù)據(jù)應(yīng)用現(xiàn)狀
        1.2.3 配電網(wǎng)運(yùn)維數(shù)據(jù)研究現(xiàn)狀
    1.3 本文的組織結(jié)構(gòu)安排
第二章 大數(shù)據(jù)關(guān)鍵技術(shù)
    2.1 Hadoop生態(tài)系統(tǒng)
        2.1.1 Hadoop平臺(tái)總體框架
        2.1.2 HDFS分布式文件系統(tǒng)
        2.1.3 MapReduce并行計(jì)算框架
    2.2 大數(shù)據(jù)挖掘技術(shù)
        2.2.1 數(shù)據(jù)挖掘概念及步驟
        2.2.2 數(shù)據(jù)挖掘方法分類
    2.3 大數(shù)據(jù)可視化技術(shù)
        2.3.1 可視化定義
        2.3.2 可視化工具
    2.4 聚類算法
        2.4.1 相關(guān)概念及定義
        2.4.2 常用聚類算法
    2.5 多維序列模式挖掘算法
        2.5.1 相關(guān)概念及定義
        2.5.2 序列模式常用算法
    2.6 本文搭建的大數(shù)據(jù)平臺(tái)
        2.6.1 搭建環(huán)境
        2.6.2 Hadoop平臺(tái)搭建過程
    2.7 本章小結(jié)
第三章 配電網(wǎng)運(yùn)維數(shù)據(jù)分析及預(yù)處理
    3.1 數(shù)據(jù)挖掘工作流程
    3.2 配電網(wǎng)數(shù)據(jù)源分析
    3.3 配電網(wǎng)運(yùn)維數(shù)據(jù)獲取
        3.3.1 運(yùn)維數(shù)據(jù)來源
        3.3.2 運(yùn)維數(shù)據(jù)獲取
    3.4 運(yùn)維數(shù)據(jù)預(yù)處理
        3.4.1 數(shù)據(jù)清洗
        3.4.2 數(shù)據(jù)合并
        3.4.3 綜合評(píng)價(jià)建模數(shù)據(jù)處理
        3.4.4 序列挖掘建模數(shù)據(jù)處理
    3.5 本章小結(jié)
第四章 結(jié)合聚類算法和雷達(dá)圖的配電網(wǎng)運(yùn)維水平綜合評(píng)價(jià)
    4.1 k-均值聚類算法
        4.1.1 k-均值聚類算法缺陷分析
        4.1.2 基于密度的初始聚類中心選擇
        4.1.3 k值選取方法
        4.1.4 算法優(yōu)化驗(yàn)證
    4.2 結(jié)合聚類分析和雷達(dá)圖的綜合評(píng)價(jià)方法
        4.2.1 聚類分析優(yōu)勢(shì)和不足
        4.2.2 綜合評(píng)價(jià)方法
    4.3 改進(jìn)雷達(dá)圖評(píng)價(jià)方法
        4.3.1 傳統(tǒng)雷達(dá)圖評(píng)價(jià)及缺陷分析
        4.3.2 雷達(dá)圖改進(jìn)方法
    4.4 算法驗(yàn)證與結(jié)果展示
        4.4.1 聚類結(jié)果評(píng)價(jià)
        4.4.2 綜合評(píng)價(jià)結(jié)果分析
    4.5 本章小結(jié)
第五章 基于序列關(guān)聯(lián)的多指標(biāo)關(guān)聯(lián)分析及可視化
    5.1 序列模式選取依據(jù)
    5.2 完整序列劃分方法
    5.3 PrefixSpan算法挖掘過程
    5.4 序列挖掘結(jié)果可視化方法
    5.5 算例分析
        5.5.1 序列長度為2挖掘結(jié)果
        5.5.2 序列長度為3挖掘結(jié)果
        5.5.3 挖掘結(jié)果可視化展示
    5.6 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
學(xué)位論文評(píng)閱及答辯情況表



本文編號(hào)：3790023