| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要内容 | 第13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 电力数据及数据预处理 | 第15-23页 |
| 2.1 电力系统数据概述 | 第15-18页 |
| 2.2 数据清洗 | 第18-20页 |
| 2.3 数据转换 | 第20-21页 |
| 2.3.1 数据标准化 | 第20页 |
| 2.3.2 二值化 | 第20页 |
| 2.3.3 标签编码(类别特征编码) | 第20-21页 |
| 2.4 数据降维方法 | 第21页 |
| 2.5 本章小结 | 第21-23页 |
| 第三章 异常数据检测方法研究 | 第23-46页 |
| 3.1 引言 | 第23页 |
| 3.2 概率统计异常检测模型 | 第23-27页 |
| 3.2.1 极值分析 | 第23-25页 |
| 3.2.2 概率混合模型 | 第25-27页 |
| 3.3 基于机器学习的异常检测模型 | 第27-40页 |
| 3.3.1 基于线性模型的异常检测 | 第27-31页 |
| 3.3.1.1 PCA | 第27-28页 |
| 3.3.1.2 One-Class SVM | 第28-29页 |
| 3.3.1.3 线性模型到神经网络 | 第29-31页 |
| 3.3.2 基于邻近的异常检测 | 第31-37页 |
| 3.3.2.1 类簇与异常点 | 第31-35页 |
| 3.3.2.2 基于密度的异常检测 | 第35-37页 |
| 3.3.3 异常检测的集成方法 | 第37-40页 |
| 3.3.3.1 异常检测方法集成的理论基础 | 第37-38页 |
| 3.3.3.2 Isolation Forests | 第38-40页 |
| 3.4 标签类型数据的异常检测 | 第40-44页 |
| 3.4.1 相关概念 | 第41页 |
| 3.4.3 Apriori | 第41-43页 |
| 3.4.4 FP-Growth | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 异常检测结果评估 | 第46-53页 |
| 4.1 引言 | 第46页 |
| 4.2 异常检测结果评价指标 | 第46-49页 |
| 4.2.1 基本指标 | 第46-49页 |
| 4.2.2 混淆矩阵 | 第49页 |
| 4.3 ROC曲线与AUC值 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于计量数据和告警数据的异常检测 | 第53-66页 |
| 5.1 引言 | 第53页 |
| 5.2 基于计量数据的离群点检测 | 第53-60页 |
| 5.2.1 数据预处理 | 第53-55页 |
| 5.2.2 基于AP聚类算法和轮廓系数对计量数据进行聚类 | 第55-57页 |
| 5.2.3 基于Isolation Forests的检测模型 | 第57-58页 |
| 5.2.4 检测结果评估 | 第58-60页 |
| 5.3 基于告警数据的频繁告警分析 | 第60-65页 |
| 5.3.1 数据预处理 | 第60-62页 |
| 5.3.2 频发告警分析 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间取得的成果 | 第73页 |
