一种基于Spark和聚类分析的辨识电力系统不良数据新方法
随着电力系统智能化建设的不断深入和推进,电力系统数据呈现海量化、高维化的趋势.针对电力系统中的不良数据将导致电力系统状态估计结果的准确性降低,而传统聚类算法处理海量高维数据时单机计算资源不足,近年来较流行的MapReduce框架不能有效处理频繁迭代计算等问题,提出一种基于Spark的并行K-means算法辨识不良数据的新方法.以某一节点电力负荷数据为研究对象,运用基于Spark的并行K-means聚类算法提取出日负荷特征曲线,分别对输电网状态估计中的不良数据进行检测和辨识.选用EUNITE提供的真实电力负荷数据进行实验,结果表明此方法能有效提高状态估计结果的准确性,与基于MapReduce框架的方法相比,具有更好的加速比、扩展性,能更好地处理电力系统的海量数据.
Spark、聚类、K-means、电力系统、不良数据、负荷曲线分类
44
TM7;TP3
2016-05-19(万方平台首次上网日期,不代表论文的发表时间)
共7页
85-91