高維時間序列挖掘掘及其在EMS中的應用.pdf

1、目前，新能源技術革命方興未艾，電網(wǎng)的智能化成了各方關注的熱點，如何通過智能電網(wǎng)實現(xiàn)智能、經(jīng)濟、優(yōu)化和節(jié)能的調(diào)度，如何在開放的電力信息網(wǎng)絡保障信息安全成了研究的重點。
　　由于電網(wǎng)的日益龐大，隨之而來的是大數(shù)據(jù)的管理，信息提取以及數(shù)據(jù)挖掘。本文主要從智能電網(wǎng)的特點入手，針對富士通研究所提供的電網(wǎng)數(shù)據(jù)，對智能電網(wǎng)、問題展開研究。
　　本文從以下四個方面對智能電網(wǎng)數(shù)據(jù)進行研究:(1)智能電網(wǎng)數(shù)據(jù)分類模型的設計;(2)利用關聯(lián)規(guī)則挖

2、掘分析電網(wǎng)數(shù)據(jù)各個因素之間存在的關系;(3)根據(jù)歷史數(shù)據(jù)對智能電網(wǎng)進行短期預測;(4)對集團內(nèi)部進行供電優(yōu)化。具體工作如下:智能電網(wǎng)高維時間序列監(jiān)控從本質(zhì)看是分類問題，因此對分類準確率和分類實時性要求較高，傳統(tǒng)的分類模型由于其內(nèi)部機制沒有針對實時性進行設計，所以很難應用到此問題中。
　　本文中本文提出一種基于增量式學習的智能電網(wǎng)實時分類模型。首先利用滑動窗口將動態(tài)數(shù)據(jù)劃分成靜態(tài)數(shù)據(jù)塊，并且每個數(shù)據(jù)塊中包含m條記錄。本文將此數(shù)據(jù)集大

3、體上分為兩個部分，即訓練集和測試集。訓練集由w=m*n個樣本組成，剩下的數(shù)據(jù)集為測試集。需要注意的是，由于本文所使用的電網(wǎng)數(shù)據(jù)沒有標簽，本文只能使用k-means算法給出標簽。
　　智能電網(wǎng)數(shù)據(jù)包含多個屬性，盡管各個屬性從表面看是獨立的，但由于存在于電網(wǎng)大背景中，因此各個屬性之間必然存在潛在的關系。本文首先采用離散的方法將智能電網(wǎng)數(shù)據(jù)中各維數(shù)據(jù)離散化，并且根據(jù)實際經(jīng)驗評估降水量、風向、風速、日照時間和氣溫對電力負載影響大小，最終給

4、出以上五種影響因素的權重，從而對未來的多因素負荷預測打下基礎。
　　由于電網(wǎng)供電受到供求關系、天氣狀況、發(fā)電水平等因素的影響，傳統(tǒng)預測方法往往使用人工經(jīng)驗或者是基于規(guī)則進行預測，預測效果不如人意。本項目使用基于學習的預測方法，將電網(wǎng)中歷史數(shù)據(jù)進行有效利用，通過對歷史數(shù)據(jù)的學習，提取出關鍵知識，構(gòu)成預測模型。模型可以有效的預測短期電力負載情況，并根據(jù)時段進行描述，通過實驗可以看到與真實數(shù)據(jù)相比，預測數(shù)據(jù)可以很好的擬合真實數(shù)據(jù)。

5、>　　集團內(nèi)部供電方案優(yōu)化需要考慮多個因素，因此優(yōu)化的過程實際上就是多個因素兼顧的過程，使得優(yōu)化方案既能滿足實際需要，又能有效的利用電能。本文所使用的方法是首先將可能的優(yōu)化方案形成一個方案空間，進而使用迭代方法，從空間中過濾掉不滿足要求的方案，最終剩下的唯一方案作為最優(yōu)化方案輸出。此方法充分考慮到各個因素的影響，因此只要過濾條件設置得當，所輸出的方案必然為最優(yōu)。另外本文利用模擬退火算法，建立數(shù)學模型，即在有限的時間內(nèi)，盡可能高速有效的得