隨著智能電網(wǎng)建設和電力系統(tǒng)信息化的提速,電力企業(yè)積累了體量巨大的數(shù)據(jù),這些數(shù)據(jù)主要來源于電網(wǎng)的發(fā)、輸、變、配、用電等五大環(huán)節(jié)。對電力數(shù)據(jù)進行分析研究對我國電網(wǎng)向數(shù)字化、智能化發(fā)展有著重要的意義。異常數(shù)據(jù)產(chǎn)生的原因主要有屬性值缺失,異常用電行為,電力設備故障等。如果在對電力數(shù)據(jù)進行分析前不事先處理這些原始的污染數(shù)據(jù),將對數(shù)據(jù)分析的準確性有很大的影響。同時,異常數(shù)據(jù)檢測能夠發(fā)現(xiàn)異常數(shù)據(jù)以及背后隱藏的信息,對電網(wǎng)的安全運行有著重要的參考意義。通過數(shù)據(jù)驅動的方法對電力數(shù)據(jù)進行異常檢測,能夠實現(xiàn)對電能異常狀態(tài)的監(jiān)測,加快電網(wǎng)排查異�，F(xiàn)象的反應速度,提高了電網(wǎng)的穩(wěn)定性,同時減少運行成本,降低電網(wǎng)企業(yè)的經(jīng)濟損失。電力數(shù)據(jù)異常值檢測是電力數(shù)據(jù)研究的基礎工作,目前傳統(tǒng)的電力數(shù)據(jù)分析方法已經(jīng)無法處理如此復雜且大體量的數(shù)據(jù),尋找一種適用于處理當前電力系統(tǒng)數(shù)據(jù)的方法十分必要。文中對比了K-Means、基于密度的聚類和快速密度峰值聚類算法的優(yōu)缺點,得出快速密度峰值聚類算法在處理電力數(shù)據(jù)時具有明顯優(yōu)勢,故本文選擇快速密度峰值聚類算法的對電力數(shù)據(jù)進行研究。在此基礎上提出了一種基于局部異常因子(Local Outli...

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 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 電力數(shù)據(jù)研究現(xiàn)狀
        1.2.2 異常值檢測研究現(xiàn)狀
        1.2.3 負荷曲線聚類研究現(xiàn)狀
    1.3 本文的主要內(nèi)容和結構
第2章 相關技術準備
    2.1 數(shù)據(jù)驅動技術
        2.1.1 數(shù)據(jù)驅動定義
        2.1.2 數(shù)據(jù)驅動的過程
    2.2 數(shù)據(jù)挖掘任務
    2.3 數(shù)據(jù)清洗
    2.4 常用降維算法
        2.4.1 常見特征選擇方法
        2.4.2 常見特性提取
    2.5 聚類分析算法
        2.5.1 K-Means算法
        2.5.2 DBSCAN算法
        2.5.3 快速密度峰值聚類算法
    2.6 本章小結
第3章 異常數(shù)據(jù)檢測方法研究
    3.1 異常值檢測算法
        3.1.1 基于距離的異常值檢測
        3.1.2 基于密度的異常值檢測
        3.1.3 基于聚類的異常值檢測
        3.1.4 快速密度峰值聚類算法的局限性
    3.2 基于LOF的快速密度峰值異常值檢測
        3.2.1 算法描述
        3.2.2 異常值判定規(guī)則
    3.3 仿真實驗
        3.3.1 案例一
        3.3.2 案例二
    3.4 小結
第4章 基于改進快速密度峰值算法的電力負荷數(shù)據(jù)聚類
    4.1 主成分分析法降維
    4.2 快速密度峰值聚類算法描述
    4.3 改進的快速密度峰值聚類算法
        4.3.1 算法描述
        4.3.2 仿真實驗
    4.4 本章小結
總結與展望
參考文獻
致謝
附錄A 攻讀碩士學位期間發(fā)表的學術論文目錄
附錄B 攻讀碩士學位期間參與的科研項目



本文編號：3856798