基于Spark框架的电网运行异常数据辨识与修正方法

论文摘要

由于电网运行数据具有多源、异构、高维等典型大数据特征,使得传统检测方法已无法实现异常数据高效辨识;因此提出一种基于Spark框架的电网运行异常数据辨识与修正新方法。首先,提出了并行化最小生成树方法对待检测数据进行初始聚类;在此基础上结合并行K-means算法对数据进行二次聚类实现异常数据辨识;然后,在Spark框架下设计了基于径向基函数（RBF）神经网络的异常数据修正模型,实现对异常数据修正。最后,利用某省调度中心SCADA数据对方法的有效性进行了验证,结果表明所提方法能够有效处理电网运行异常数据,具有实际应用价值。

论文目录

• 1 基于Spark框架的电网运行异常数据辨识与修正模型
•   1.1 电网运行数据预处理
•   1.2 异常数据辨识
•   1.3 异常数据修正
• 2 基于二次聚类异常数据辨识方法
•   2.1 基于最小生成树的改进K-means算法
•     2.1.1 算法思想
•     2.1.2 轮廓系数法确定阈值
•     2.1.3 算法并行化实现
•   2.2 基于改进K-means算法的电网异常数据辨识
• 3 基于RBF神经网络的异常数据修正
•   3.1 RBF神经网络修正框架设计
•     3.1.1 RBF神经网络结构设计及输入输出量选取
•     3.1.2 各层节点数确定
•     3.1.3 径向基函数及相关参数的确定
•   3.2 基于RBF神经网络的异常数据修正方法
• 4 算例实验与分析
• 5 结论

文章来源

类型: 期刊论文

作者: 曲朝阳,朱润泽,曲楠,曹令军,吕洪波,胡可为

关键词: 电网运行异常数据,框架,最小生成树,神经网络

来源: 科学技术与工程 2019年25期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 电力工业,自动化技术

单位: 东北电力大学计算机学院,吉林省电力大数据智能处理工程技术研究中心,国网江苏省电力公司检修分公司,国网吉林省电力有限公司

基金: 国家自然科学基金重点项目(51437003),吉林省科技发展计划重点项目(20180201092GX),吉林省科技发展计划(20160623004TC)资助

分类号: TM732;TP183

页码: 211-219

总页数: 9

文件大小: 421K

下载量: 180