文献类型：期刊文章

作　　者：曲朝阳[1,2] 朱润泽[1] 曲楠[3] 曹令军[4] 吕洪波[4] 胡可为[4]

QU Zhao-yang;ZHU Run-ze;QU Nan;CAO Ling-jun;L Hong-bo;HU Ke-wei(School of Computer Science of Northeast Electric Power University, Jilin 132012, China;Jilin Engineering TechnologyResearch Center of Intelligent Electric Power Big Data Processing, Jilin 132012, China;Maintenaue Company of JiangsuPower Company, Nanjing 210000, China;State Grid Jilin Electric Power Supply Company, Changchun 130000, China)

机构地区：[1]东北电力大学计算机学院,吉林132012 [2]吉林省电力大数据智能处理工程技术研究中心,吉林132012 [3]国网江苏省电力公司检修分公司,南京210000 [4]国网吉林省电力有限公司,长春130000

出　　处：《科学技术与工程》

基　　金：国家自然科学基金重点项目(51437003);吉林省科技发展计划重点项目(20180201092GX);吉林省科技发展计划(20160623004TC)资助

年　　份：2019

卷　　号：19

期　　号：25

起止页码：211-219

语　　种：中文

收录情况：BDHX、BDHX2017、RCCSE、ZGKJHX、核心刊

摘　　要：由于电网运行数据具有多源、异构、高维等典型大数据特征,使得传统检测方法已无法实现异常数据高效辨识;因此提出一种基于Spark框架的电网运行异常数据辨识与修正新方法。首先,提出了并行化最小生成树方法对待检测数据进行初始聚类;在此基础上结合并行K-means算法对数据进行二次聚类实现异常数据辨识;然后,在Spark框架下设计了基于径向基函数(RBF)神经网络的异常数据修正模型,实现对异常数据修正。最后,利用某省调度中心SCADA数据对方法的有效性进行了验证,结果表明所提方法能够有效处理电网运行异常数据,具有实际应用价值。

关 键 词：电网运行异常数据  Spark框架  最小生成树 K-MEANS RBF神经网络

分 类 号：TM769]