首页> 中文学位 >基于Spark的电网扰动影响域识别研究
【6h】

基于Spark的电网扰动影响域识别研究

代理获取

目录

声明

摘要

第1章 绪论

1.1 电网扰动域识别研究的目的和意义

1.2 课题研究现状

1.2.1 电网扰动研究现状

1.2.2 电力大数据研究现状

1.2.3 电网时空序列大数据支撑技术

1.3 论文的主要工作

第2章 基于Spark的电力大数据平台设计

2.1 电力大数据特征及应用

2.1.1 电力大数据特征

2.1.2 大数据在电网中的应用

2.2 Spark分布式平台优势

2.2.1 计算优势

2.2.2 集成优势

2.3 基于Spark的电力大数据平台设计

2.3.1 平台目标

2.3.2 平台架构及简介

2.4 基于Spark的电网时空序列数据处理

2.4.1 数据处理

2.4.2 时空序列数据分析

2.5 小结

第3章 基于状态及结构脆弱性的电网扰动域识别方法

3.1 电网状态及结构脆弱性

3.2 变量相关性及电气介数

3.2.1 变量相关性

3.2.2 电气介数

3.3 节点势能函数

3.4 识别扰动域方法

3.4.1 势能强度

3.4.2 扰动影响域识别—流式K-Means

3.4.3 势能强度基尼系数

3.5 本章小结

第4章 基于Spark的扰动影响域识别研究

4.1 实验环境

4.2 Spark、Hadoop算法对比测试

4.2.1 测试数据

4.2.2 单机环境对比

4.2.3 集群环境对比

4.3 扰动域识别的过程

4.4 扰动影响域识别

4.4.1 结构脆弱性分析

4.4.2 扰动域识别

4.4.3 不同时刻扰动域变化情况分析

4.5 本章小结

5.1 结论

5.2 展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢

展开▼

摘要

随着电网互联规模及耦合强度的日益扩大,电网运行环境日益复杂,亟需依托大数据技术,提升电网多源大数据的挖掘深度及应用效率。与此同时,局部扰动更易波及较大的区域,有效识别扰动影响域对于抑制扰动传播具有一定的工程应用价值。
  本研究针对大电网广域时空序列数据的海量存储、高效处理,提出以Spark为核心的电力大数据平台设计框架。论文中指出了Spark在分布式计算中的优势及电力大数据平台建设目标,并对平台各个层次进行详细的论述,阐述了电网时空序列数据处理过程。在搭建的Spark和Hadoop实验环境基础上,对典型聚类算法进行性能对比测试,验证了Spark相对于Hadoop的MapReduce计算模型数据处理的优势。从电网结构脆弱性和运行状态脆弱性角度,提出势能强度指标衡量电网发生扰动后各个节点受影响程度的强弱。通过变量相关性论述了单一变量识别扰动影响域的约束性,并引入常用结构脆弱性指标电气介数。基于能量函数构造方法,构建节点势能函数方程,将电气介数作为节点势能(运行状态脆弱性)权重提出势能强度指标。通过对IEEE39节点系统不同故障对比仿真分析,得出高电气介数节点更易成为势能传播路径,验证了所提势能强度指标的正确性。以IEEE39节点系统仿真数据为数据源模拟流式数据,基于Spark Streaming组件进行在线扰动影响域计算分析。根据基尼系数理论,提出势能强度基尼系数方法,评估电网故障后网络整体受扰动情况。在线计算势能强度值以及势能强度基尼系数值,以势能强度值作为聚类对象,采用流式K-Means聚类算法进行扰动影响域识别。在未采取任何抑制扰动传播措施情况下,动态地分析了电网发生故障后扰动影响域及势能强度基尼系数的演变情况,综合分析后指出扰动传播至一定程度后,总是趋于引起局部区域稳定性下降。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号