| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 云计算研究现状 | 第9-10页 |
| 1.2.2 云技术在电力系统中的应用 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11页 |
| 1.4 本文结构 | 第11-13页 |
| 第2章 数据挖掘与云计算相关知识 | 第13-22页 |
| 2.1 数据挖掘相关知识 | 第13-14页 |
| 2.1.1 数据挖掘 | 第13-14页 |
| 2.1.2 基于云计算的电力系统数据挖掘架构 | 第14页 |
| 2.2 云计算相关知识 | 第14-20页 |
| 2.2.1 分布式文件系统HDFS（Hadoop Distributed File System） | 第17-18页 |
| 2.2.2 分布式计算框架MapReduce | 第18-20页 |
| 2.3 本章小结 | 第20-22页 |
| 第3章 云计算实验平台搭建 | 第22-28页 |
| 3.1 Hadoop平台运行方式 | 第22页 |
| 3.2 云实验平台搭建 | 第22-26页 |
| 3.3 本章小节 | 第26-28页 |
| 第4章 海量用电数据并行聚类分析 | 第28-43页 |
| 4.1 传统的聚类算法 | 第28-31页 |
| 4.1.1 k-means聚类算法 | 第28-29页 |
| 4.1.2 Canopy聚类算法 | 第29-31页 |
| 4.2 并行聚类算法 | 第31-37页 |
| 4.2.1 并行k-means聚类算法设计 | 第31-32页 |
| 4.2.2 并行k-means聚类算法具体实现 | 第32-33页 |
| 4.2.3 并行Canopy聚类算法设计 | 第33-34页 |
| 4.2.4 并行Canopy聚类算法具体实现 | 第34-37页 |
| 4.3 实验仿真 | 第37-42页 |
| 4.4 本章小节 | 第42-43页 |
| 第5章 电力系统不良数据并行辨识 | 第43-59页 |
| 5.1 间隙统计算法 | 第43-45页 |
| 5.2 肘形判据 | 第45-46页 |
| 5.3 基于间隙统计的肘形判据并行算法设计 | 第46-47页 |
| 5.4 基于间隙统计的肘形判据并行算法实现 | 第47-50页 |
| 5.5 实验仿真 | 第50-58页 |
| 5.6 本章小节 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 导师简介 | 第65-66页 |
| 作者简介 | 第66-67页 |
| 学位论文数据集 | 第67页 |