基于GSA的数据挖掘在电力系统不良数据辨识中的应用

摘要

在现代电力系统中,各种数据的质量变得越来越重要,系统操作中的不良数据可能使操作人员做出错误决策,从而对电力系统的安全、稳定运行造成影响.论文研究了一种新的电力系统不良数据辨识的方法:基于GSA(gap statistic algorithm)的数据挖掘技术的方法.GSA技术是基于聚类算法和数理统计的一种技术,它的优点在于能够在无监督学习的情况下自动找出一组数据的最佳聚类个数.论文将GSA技术与神经网络技术相结合,首先将原始数据通过已经训练好的BP神经网络进行(工作)处理,然后将处理所得结果运用k-means聚类算法进行聚类处理,最后通过计算相对于聚类个数的gap值确定最佳的聚类个数,从而将正常数据和不良数据所在的聚类区分开来,进而对不良数据进行正确的辨识.论文通过一个简单的电力网络,以电压、有功、无功作为原始数据,针对各种不同情况的不良数据进行仿真,仿真结果证明了论文所述方法可以自动、简便、灵活、有效的对电力系统的不良数据进行辨识.

目录

文摘

英文文摘

1.绪论

1.1电力系统不良数据辨识的意义

1.2国内外不良数据辨识研究概况

1.3论文的主要研究工作

2.数据挖掘及基于GSA的数据挖掘过程

2.1数据挖掘的基本概念

2.2数据挖掘的过程

2.3数据挖掘的体系结构

2.4数据挖掘在电力系统的应用

2.4.1电力系统数据挖掘的任务

2.4.2电力系统的数据挖掘策略

2.5基于GSA的数据挖掘过程

2.6小结

3.相关理论及算法

3.1聚类算法

3.1.1聚类分析概念

3.1.2主要聚类方法

3.1.3 k-means聚类算法

3.2人工神经网络算法

3.2.1人工神经网络概述

3.2.2人工神经网络的信息处理原理

3.2.3人工神经网络模型

3.2.4人工神经网络的学习规则

3.2.5BP神经网络算法

3.3 GSA算法

3.3.1概述

3.3.2 gap statistic方法

3.3.3参考数据分布

3.3.4 gap statistic计算的实现方法

3.4小结

4.不良数据辨识的实现

4.1基于BP神经网络方法的建模和仿真

4.1.1基于BP神经网络方法的建模

4.1.2基于BP神经网络方法的仿真

4.2基于GSA方法的建模和仿真

4.2.1基于GSA方法的建模

4.2.2基于GSA方法的仿真

4.3两种方法的比较

4.4小结

5.结论

致谢

参考文献

攻读硕士学位期间发表的论文