| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 背景 | 第8页 |
| 1.1.2 意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 机器学习算法研究现状 | 第9-10页 |
| 1.2.2 用电异常检测方法研究现状 | 第10-11页 |
| 1.3 本文研究目的 | 第11页 |
| 1.3.1 研究目的 | 第11页 |
| 1.3.2 研究内容与创新 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 2 异常数据检测方法概述 | 第13-26页 |
| 2.1 数据预处理 | 第13-19页 |
| 2.1.1 基于统计的数据处理方法 | 第13页 |
| 2.1.2 基于神经网络的预处理方法 | 第13-16页 |
| 2.1.3 基于主成分分析的方法 | 第16-19页 |
| 2.2 异常行为检测算法 | 第19-25页 |
| 2.2.1 异常点数据概述 | 第19页 |
| 2.2.2 传统异常检测方法概述 | 第19-21页 |
| 2.2.3 基于机器学习的异常检测方法 | 第21-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 基于BP神经网络的用户用电异常行为检测算法 | 第26-35页 |
| 3.1 数据预处理 | 第26-29页 |
| 3.1.1 基于统计的特征提取 | 第26-27页 |
| 3.1.2 基于PCA的特征降维 | 第27-28页 |
| 3.1.3 数据特征相关性分析 | 第28-29页 |
| 3.2 BP神经网络模型建立 | 第29-31页 |
| 3.2.1 单隐层的BP神经网络模型 | 第29-30页 |
| 3.2.2 含双隐层的BP神经网络模型 | 第30-31页 |
| 3.3 异常检测模型训练 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于孤立森林的用户用电异常行为检测算法 | 第35-45页 |
| 4.1 数据预处理 | 第35-39页 |
| 4.1.1 基于自动编码器的数据预处理 | 第35-37页 |
| 4.1.2 基于PCA/KernelPCA的数据预处理 | 第37-39页 |
| 4.2 孤立森林算法 | 第39-42页 |
| 4.2.1 异常检测算法比较 | 第39-40页 |
| 4.2.2 孤立森林算法模型建立 | 第40-42页 |
| 4.3 异常检测模型训练 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 5 用户用电异常行为检测实验 | 第45-60页 |
| 5.1 实验设计 | 第45-49页 |
| 5.1.1 数据描述 | 第45页 |
| 5.1.2 数据清洗 | 第45-47页 |
| 5.1.3 评价指标 | 第47-49页 |
| 5.2 实验结果及分析 | 第49-59页 |
| 5.2.1 实验环境 | 第49页 |
| 5.2.2 基于BP神经网络的检测模型结果分析 | 第49-52页 |
| 5.2.3 基于孤立森林的检测模型结果分析 | 第52-57页 |
| 5.2.4 不同预测模型对比 | 第57-59页 |
| 5.3 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 论文总结 | 第60-61页 |
| 6.2 后续研究展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 | 第66页 |
| A.作者在攻读学位期间发表的论文目录 | 第66页 |
| B.作者在攻读学位期间取得的科研成果目录 | 第66页 |