| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文主要工作与章节安排 | 第13-15页 |
| 1.3.1 论文的主要工作 | 第13-14页 |
| 1.3.2 论文的章节安排 | 第14-15页 |
| 第2章 用户用电负荷特性分析与特征约简 | 第15-27页 |
| 2.1 引言 | 第15页 |
| 2.2 数据来源 | 第15页 |
| 2.3 用户用电负荷特性分析 | 第15-18页 |
| 2.3.1 居民负荷特性分析 | 第15-16页 |
| 2.3.2 商业负荷特性分析 | 第16-17页 |
| 2.3.3 工业负荷特性分析 | 第17-18页 |
| 2.4 用户用电数据样本构建 | 第18-19页 |
| 2.5 数据样本特征约简 | 第19-22页 |
| 2.5.1 基于PCA的降维流程 | 第19-20页 |
| 2.5.2 基于自编码网络的降维流程 | 第20-22页 |
| 2.6 特征约简方法结果比较及分析 | 第22-26页 |
| 2.6.1 自编码网络误差分析 | 第22-24页 |
| 2.6.2 不同方法降维结果分析 | 第24-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第3章 基于US-ELM-Kmeans的电力用户用电行为相似性聚类 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 聚类算法的比较与分析 | 第27-28页 |
| 3.3 基于极限学习机的Kmeans聚类算法 | 第28-32页 |
| 3.3.1 极限学习机原理分析 | 第28-29页 |
| 3.3.2 基于极限学习机的Kmeans聚类算法 | 第29-32页 |
| 3.4 基于US-ELM-Kmeans的电力用户用电行为相似性聚类 | 第32-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 改进Apriori的电力用户用电行为关联分析 | 第37-48页 |
| 4.1 引言 | 第37页 |
| 4.2 Apriori关联规则算法 | 第37-38页 |
| 4.2.1 Apriori算法思想 | 第37页 |
| 4.2.2 Apriori算法流程 | 第37-38页 |
| 4.3 Apriori算法分析 | 第38-40页 |
| 4.3.1 基于hash的方法 | 第39页 |
| 4.3.2 基于分片的并行方法 | 第39页 |
| 4.3.3 基于采样的方法 | 第39-40页 |
| 4.3.4 基于压缩数据库事务集的方法 | 第40页 |
| 4.4 Apriori算法优化 | 第40-44页 |
| 4.4.1 优化后算法的实施步骤 | 第40-42页 |
| 4.4.2 优化后算法性能分析 | 第42-44页 |
| 4.5 基于改进Apriori的电力用户用电行为关联分析 | 第44-47页 |
| 4.5.1 用户用电影响因素分析 | 第44页 |
| 4.5.2 数据特征提取以及离散化处理 | 第44-46页 |
| 4.5.3 实验结果与分析 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第5章 结论与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 未来展望 | 第48-50页 |
| 参考文献 | 第50-55页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第55-56页 |
| 致谢 | 第56页 |
