配电GIS管理下数据挖掘的应用研究

论文摘要

数据挖掘是一门用于挖掘数据背后所隐藏的知识的新兴技术,在各行业都有广泛的应用。在这里将其于电力系统相结合,进行短期负荷预测,其结果对电力规划和调度将有很大的实际意义。负荷预测是电力规划的基础,准确的负荷预测值能够大大提高电网供应的稳定性和安全性,减少资源浪费,降低发电成本,并能为电力系统提供辅助意见。本文详细研究了数据挖掘的理论和影响负荷预测的主要因素,考虑到传统的神经网络预测方法存在对初始网络权值设置敏感、收敛的速度慢、容易陷入局部极小值等缺点,本文确立了综合模型,首先引入遗传算法先对神经网络的初始值进行优化,评估合格后再进行神经网络的学习和训练,得出的结果再经Bagging方法集成,目的是提高其准确率。这是一种集各算法所长的新尝试。本文在最后介绍了配电GIS管理系统的结构和功能,将预测模型与之结合,进行负荷预测,并利用GIS平台的空间分析功能,对影响负荷的相关因素进行处理,最后的结果表明,基于Bagging算法集成遗传神经网络,能够克服传统BP神经网络的缺点,达到较快收敛又不易陷入到局部极值中,具有较强的泛化能力,同时也大大提高了网络的预测精度,取得了满意的预测结果并进行展示,具有很强的实际意义。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.1.1 课题背景
• 1.1.2 研究意义
• 1.2 电力负荷预测简介
• 1.2.1 负荷预测的分类与特点
• 1.2.2 影响负荷预测的因素
• 1.3 国内外研究现状
• 1.4 本文研究的主要内容
• 第2章 数据挖掘原理
• 2.1 数据挖掘的定义
• 2.2 数据挖掘的功能及技术
• 2.2.1 数据挖掘的功能
• 2.2.2 数据挖掘的常用技术
• 2.3 数据挖掘过程
• 2.4 GIS 与数据挖掘
• 2.4.1 地理信息系统（GIS）简介
• 2.4.2 GIS 中的数据挖掘
• 2.5 本章小结
• 第3章 用于负荷预测的改进型BP 神经网络算法
• 3.1 算法概述
• 3.2 人工神经网络（ANN）
• 3.2.1 神经元模型
• 3.2.2 BP 神经网络的结构
• 3.2.3 BP 神经网络应用中存在的问题及优化
• 3.3 遗传算法（GA）
• 3.3.1 遗传算法的基本原理
• 3.4 遗传算法优化BP 神经网络
• 3.4.1 用遗传算法来优化BP 神经网络的初始权重
• 3.4.2 神经网络的训练
• 3.5 本章小结
• 第4章 预测模型的建立
• 4.1 确定模型结构
• 4.1.1 遗传BP 神经网络
• 4.1.2 Bagging 算法对遗传BP 神经网络的集成
• 4.2 数据预处理
• 4.2.1 输入输出向量
• 4.2.2 输入样本的归一化处理
• 4.3 预测过程
• 4.4 本章小结
• 第5章 预测模型与配电GIS 管理系统集成
• 5.1 配电GIS 管理系统简介
• 5.1.1 配电GIS 管理系统的体系结构
• 5.1.2 配电GIS 管理系统的主要功能
• 5.2 预测功能的实现
• 5.2.1 与普通BP 神经网络模型进行比较
• 5.2.2 预测的实现
• 5.3 预测结果应用
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间所发表的学术论文
• 致谢