当前位置: > 硕士毕业论文 > 37900字硕士毕业论文云计算理念下电力系统不良值识别算法分析

37900字硕士毕业论文云计算理念下电力系统不良值识别算法分析

论文类型:硕士毕业论文
论文字数:37900字
论点:计算,辨识,数据
论文概述:

论文选择基于数据挖掘的辨识方法是以k-means聚类理论为基础,将海量数据分组,聚类计算中利用GSA算法和GSA肘形判据结合,估计海量数据的最佳聚类个数,并利用判别依据从各聚类组中分离出

论文正文:

介绍

1.1主题背景
1.1.1云计算概述
随着互联网的发展,信息呈现出无限增长的趋势。面对如此大规模的数据,个人计算机存储和处理数据的能力是无能为力的。如何找到一种低成本、安全快捷的方式来解决互联网信息存储和计算需求的无限增长,并为大用户群提供便捷的服务,已经成为整个信息产业面临的问题。当代谷歌在处理这个问题上做了非常成功的工作。建立在谷歌文件系统基础上的谷歌机器集群为谷歌提供了极快的搜索速度和强大的处理能力。一方面,对海量数据处理和海量计算能力有着强烈的需求,而另一方面,它能够提供这样的能力,因此云计算应运而生。云计算是由谷歌提出的,它是一种通过网络将大型廉价计算机连接起来,形成一个大型计算系统,为用户提供计算服务的技术。它通过分布式方法将大数据分成许多小块,然后将它们分配给集群的节点进行处理。通过这种方式,可以以低成本和高性能解决大规模数据的存储和计算。云计算实现了信息技术基础设施的资源和服务,改变了传统的服务模式,用户可以根据自己的需求进行定制,硬件不再是计算机发展的唯一支持。互联网催生了云计算,引起了人们的关注,加速了云计算的推广和发展。然而,遇到海量数据处理和计算问题的不仅仅是互联网。在信息爆炸的时代,以互联网为主要特征的云计算应用领域仅限于互联网。云计算可以用于许多符合云计算思想的场合来解决问题。随着智能电网背景下电力系统的发展,电网中的数据和信息将以几何级数增长,这使得电力系统在调度信息处理方面面临挑战。如何利用最少的硬件资源来实现最大的计算和存储容量是未来电力系统的要求。因此,迫切需要引入新的计算技术,在维护现有硬件设施的同时,充分整合系统内的计算能力和存储资源,提高电网的在线分析和实时控制能力,为智能电网[1]提供有效的技术支持。

1.1.2电力系统不良数据识别
智能电网建设需要加快现有电力系统监控测量系统的升级改造,提高智能测量能力。随着数字化变电站、广域测量系统、地理信息系统综合监控平台、输电线路监控平台等系统的不断完善,电力系统将包含更多的海量实时数据,其准确性决定了电力系统运行的安全性和可靠性。然而,当测量和传输系统遭受意外故障或大的随机干扰时,电力系统容易出现坏数据。这些不良数据影响电力系统软件环境的性能和电力调度决策,破坏电力系统的正常运行,威胁整个电力系统的安全。电力系统不良数据的识别旨在发现和消除测量数据和信息中偶尔出现的少量不良数据,从而提高系统运行的安全性和可靠性。它是电力系统及其他信息系统实时网络分析的重要功能,有助于电力系统的安全经济运行[2][3]0一般来说,电力系统测量数据的网络标准误差约为正常测量范围的5%。通常,误差大于3 ct的测量值可以被认为是不良数据,但实际使用的不良数据的极限远远大于3 o标准,一般大于(6-7) a,只有通过对测量数据的检测和识别,才能满足系统对测量数据的要求。检测是判断是否有坏数据的方法,识别是判断坏数据的方法
1.2研究目的和意义
电力系统是一个高速、高维的数据源,其分布与互联网非常相似空。随着“十二五”智能电网的发展规划,电力系统信息处理的复杂性将越来越高。因此,将云计算技术作为智能电网发展的重要环节和支撑平台引入电力系统将会有很深的应用前景。目前,电力系统中识别不良数据的算法很多,主要是状态估计和数据挖掘。基于状态估计的识别算法容易产生残留污染和残留故障,导致漏检或误检,影响识别效果。尤其是当有很多不良数据时,使用这种方法往往会导致错误识别。根据分析方法和具体算法的不同,基于数据挖掘的识别算法可以分为基于神经网络的模糊理论和聚类分析两种。基于聚类分析的识别方法具有较高的识别精度和智能性,但计算复杂度高,计算量大。基于神经网络的辨识算法需要生成训练集,训练集的存储需要占用大量的硬件资源。因此,在电力系统高速发展的背景下,识别算法的研究对于提高其运行速度、降低算法硬件资源消耗、增强算法在实时数据处理平台上的实用性具有重要的现实意义和社会价值。本文将从云计算和电力系统不良数据识别两个方面入手,探索电力系统云计算应用的技术架构,研究基于云计算技术架构的电力系统识别算法,运用云计算思想和技术解决实际应用中运行时间长、硬件要求高的问题,从而为电力系统云计算的实施和发展提供应用层面的发展方向。
2云计算及其应用。

[4]

[5]

云计算是许多技术混合进化的结果。它成熟度高,发展迅速。主要的信息技术供应商正在大力投资云计算研究,并推广他们自己的云计算服务和产品。MapReduce模型是谷歌提出的分布式计算模型,是云的关键技术之一。它可以支持大型数据集的并发处理。

2.1云计算技术

2.1.1云计算概念和功能
云计算)[8 8,9]是一种新的商业计算模式。它在由大量计算机组成的资源池中分配计算任务,使各种应用系统能够根据需要获得计算能力、存储空和各种软件服务。因为其计算位置的不确定性类似于电子的运动,这个资源库借用物理学中“电子云”的概念被称为“云”。为了更好地理解和理解云计算,计算机领域的许多专家学者试图从不同的角度、以不同的方式来定义云计算。中国网格计算和云计算专家刘鹏给出了以下定义:“云计算将计算任务分布在由大量计算机组成的资源库上,使各种应用系统能够根据需要获得计算能力、存储空和各种软件服务”。所谓云是一些可以自我维护和管理的虚拟计算资源,通常是一些大型服务器集群,包括计算服务器和存储服务器等大型资源介质。云计算集中所有计算资源实现自动化管理,其操作细节对用户屏蔽。这使应用程序提供商能够更加专注于自己的业务,这有利于创新和降低成本。云计算是商业领域中并行计算、分布式计算和网格计算等计算机科学概念的发展和实现。这是laaS、PaaS、SaaS、虚拟化和效用计算等概念螺旋进化的结果。

电力系统不良数据识别的
3GSA算法……23
3.1基于GSA的电力系统不良数据识别……23
3 . 1 . 1K-不良数据识别的均值聚类……23
3.1.2 GSA的不良数据识别……25[/比尔/] 3.2……27[/BR/]3.3 GSA不良数据识别算法验证的优化……30[/比尔/] 3.4本章概述……34 [/BR/] 4优化GSA的云计算方案和身份识别仿真……35
4.1 GSA云计算计划……35
4.2优化GSA云计算方案算法实现……38
4.3网格数据模拟……41
4.4云计算环境的部署……42
4.4.1实验集群的环境配置和建设……42
4.4.2日蚀下Hadoop的实现……45
4.5实验结果分析……48

结论

本文研究了构建基于云的电力系统不良数据识别算法的关键技术。对新的GSA算法的分析为云计算技术向电力系统迁移提供了技术支持。主要研究成果如下:
a)通过对现有云计算技术架构以及HDFS文件系统和Hadoop平台MapReduce软件框架的核心技术和相关机制的研究分析,说明电力系统的分布式运行和集中式调度模式与云计算模式相似, 提出了Hadoop云计算平台应用和电力系统中电力信息的云计算和云存储方案,总结了将基于云计算的数据挖掘理论应用于电力系统不良数据识别的目标。
b)通过对基于传统GSA算法的不良数据识别方法的研究,发现通过从参考分布生成数据集并计算其ElnWk,可以自动确定最佳聚类数,但计算复杂度较高,且没有适合多维数据集参考分布的生成算法。初始聚类中心的随机选择导致聚类结果的不稳定性。如果选择孤立点或噪声点,聚类结果将会偏离。肘部准则原则可以减少对参考数据分布的依赖。最大最小距离法可以稳定初始聚类中心的选择结果,使得选择的初始值尽可能不属于同一类。因此,有两种方法可以用来优化GSA。通过仿真和比较,证明了该算法提高了聚类精度,提高了应用于不良数据识别的及时性。
c) GSA本身包含云特征。通过研究,认为它分别是一个特征和一个特征。结合MapReduce模型的实现思想,提出了GSA的云化方案。在此基础上,结合肘准则原理和最大最小距离法,提出了一种基于MapReduce框架的优化GSA不良数据识别算法的云计算模型,用于优化GSA云计算方案。
d)在Hadoop上部署Hadoop云计算测试平台,并在Eclipse软件上开发Hadoop应用程序。IEEE标准数据用作数据源,并生成仿真数据集。采用基于优化GSA的云计算模型对数据集进行模拟和分析。实践证明,基于优化GSA云计算的不良数据识别算法能够继承优化GSA算法的识别精度,体现云计算在高维大数据量下计算速度的优势。
由于作者水平有限,时间不足,GSA算法对参考分布的依赖性还没有完全解决,在判断是否有不良数据时仍需计算。在新的GSA算法的研究中,没有真正的大数据库环境来验证其在大数据集环境下的性能,这使得算法的实用性验证略有不足。

参考
[1]潘睿,刘俊勇,郭晓鸣。《云计算在电力系统中的初步研究》,[。四川电力技术,2010,33 (3): 71276。
[2]蒂希里尼·r,瓦尔特·g,哈斯蒂·http://sblunwen.com/dllww/·t .通过差距统计估计阿达色特的聚类数。未发表的技术报告:斯坦福大学。2000.
[3]拉杰布吉杰·P,梅艳奥。使用通用型风格分类方法和GAP统计量估计共同基金风格的数量。金融工程计算智能2003年论文集。2003年:279-284。
[4]余尔肯。电力系统状态估计[。北京:水利电力出版社,1985。
[5]朱俊伟。电力系统分析[。第一版?北京:中国电力出版社,1998。
[6]哈多普科技[EB/01],
[7]张斌。基于GSA的数据挖掘在[电力系统不良数据识别中的应用?南京理工大学,2003。
[8]吴季峻,杨伟,程阁。基于遗传算法的肘关节判据用于电力系统不良数据的识别。中国电气工程学报,2006,26 (22): 23-28。
[9]维斯。云计算,ACM NetWorker,11 (4) :18-25,2007年12月。
[10]R Buyya,CS Yeo,S Venugopal,面向市场的云计算:作为计算工具交付信息技术服务的愿景、宣传和现实。2008年第一届高性能计算与通信国际会议录。第00卷,第5-13页,2008年。