2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩51頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、隨著通信網(wǎng)絡(luò)、傳感器技術(shù)、智能計算等技術(shù)的發(fā)展,智能電網(wǎng)也得到了飛速的發(fā)展。在智能電網(wǎng)的大環(huán)境下,功能越來越強大的智能終端也得到了廣泛的使用,用戶的用電行為也變得復雜化,為了保證電能的供需正常,節(jié)省能源消耗,對用戶的用電行為進行分析和預測將是堅強智能電網(wǎng)建設(shè)的關(guān)鍵步驟之一。用戶用電行為分析與預測系統(tǒng)是電力生產(chǎn)調(diào)度精細化的重要工具,其研究和建設(shè)對節(jié)省能源,提升智能電網(wǎng)的智能化具有重大意義。
  本文首先分析電力用戶大數(shù)據(jù)的來源,針對

2、電力用戶側(cè)大數(shù)據(jù)的數(shù)據(jù)量大、種類繁多與速度快等特點,指出電力用戶側(cè)的大數(shù)據(jù)在數(shù)據(jù)存儲、可用性、處理等方面面臨的挑戰(zhàn)。結(jié)合云計算技術(shù)提出一種電力用戶側(cè)大數(shù)據(jù)分析處理平臺,將智能電表、SCADA系統(tǒng)和各種傳感器中采集的數(shù)據(jù)整合,并利用并行化計算模型MapReduce與內(nèi)存并行化計算框架Spark對電力用戶側(cè)的大數(shù)據(jù)進行分析。提出基于隨機森林算法的并行負荷預測方法,將隨機森林算法進行并行化,對歷史負荷、溫度、風速等數(shù)據(jù)進行并行化分析,縮短負荷

3、預測時間和提高隨機森林算法對大數(shù)據(jù)的處理能力。采用不同大小的數(shù)據(jù)集對并行化隨機森林算法進行負荷預測實驗,實驗結(jié)果表明并行化隨機森林算法的預測精度明顯高于決策樹的預測精度,且在不同數(shù)據(jù)集上預測精度普遍高于決策樹的預測精度,能夠較好的對大數(shù)據(jù)進行分析處理。
  其次針對用戶數(shù)據(jù)迅猛增長,傳統(tǒng)的數(shù)據(jù)處理對海量數(shù)據(jù)表現(xiàn)出不足,引入并行內(nèi)存計算,利用大數(shù)據(jù)智能處理技術(shù)對海量的電力用戶進行聚類分析。將 Canopy算法與K-means算法相結(jié)

4、合,彌補了K-means算法的不足,并利用并行內(nèi)存計算框架Spark進行算法實現(xiàn),使傳統(tǒng)的K-means算法能夠更好的對海量數(shù)據(jù)進行聚類分析。利用內(nèi)存計算改進的K-means算法對電力用戶的智能用電數(shù)據(jù)進行聚類實驗,實驗結(jié)果表明對電力用戶進行分類的準確率達到90.7%。并將其算法與傳統(tǒng)的 K-means算法和基于MapReduce并行計算框架的K-means算法進行對比實驗,實驗結(jié)果表明基于內(nèi)存計算改進的K-means算法在時間和速度上

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論