| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 不良数据检测与辨识的研究现状 | 第9-10页 |
| 1.2.1 聚类算法 | 第9-10页 |
| 1.2.2 人工智能算法 | 第10页 |
| 1.2.3 GSA算法 | 第10页 |
| 1.3 关联规则的研究现状 | 第10-12页 |
| 1.3.1 国外研究历程 | 第11页 |
| 1.3.2 国内研究现状 | 第11-12页 |
| 1.4 论文研究内容 | 第12-13页 |
| 1.5 论文结构安排 | 第13-16页 |
| 2 电力系统不良数据检测与辨识方法概述 | 第16-26页 |
| 2.1 基本概念及常用方法 | 第16-22页 |
| 2.1.1 相关概念 | 第16页 |
| 2.1.2 残差方程 | 第16-17页 |
| 2.1.3 传统不良数据检测方法 | 第17-19页 |
| 2.1.4 传统不良数据辨识方法 | 第19-21页 |
| 2.1.5 状态预测在不良数据检测中的意义 | 第21-22页 |
| 2.2 数据挖掘 | 第22-24页 |
| 2.2.1 数据挖掘的定义 | 第22页 |
| 2.2.2 数据挖掘的过程 | 第22-24页 |
| 2.2.3 数据挖掘在电力系统的应用 | 第24页 |
| 2.3 本章小结 | 第24-26页 |
| 3 关联规则及其经典算法分析与改进 | 第26-42页 |
| 3.1 关联规则基础理论 | 第26-28页 |
| 3.1.1 关联规则相关概念 | 第26-27页 |
| 3.1.2 关联规则技术的分类 | 第27-28页 |
| 3.1.3 关联规则的挖掘步骤 | 第28页 |
| 3.2 Apriori算法简介 | 第28-34页 |
| 3.2.1 Apriori算法两大性质 | 第29页 |
| 3.2.2 Apriori算法过程及实现 | 第29-31页 |
| 3.2.3 Apriori算法示例 | 第31-34页 |
| 3.2.4 Apriori算法的不足 | 第34页 |
| 3.3 改进的Apriori多维关联规则算法 | 第34-40页 |
| 3.3.1 基于Apriori算法的性能改进 | 第34-36页 |
| 3.3.2 改进算法的步骤及实现 | 第36-38页 |
| 3.3.3 算法对比分析 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 周期性关联规则挖掘算法的分析与改进 | 第42-52页 |
| 4.1 时态关联规则 | 第42-46页 |
| 4.1.1 时态关联规则的引进 | 第42-43页 |
| 4.1.2 时态关联规则算法分类 | 第43-44页 |
| 4.1.3 周期性关联规则基本理论 | 第44-46页 |
| 4.2 周期性关联规则基本算法及改进 | 第46-50页 |
| 4.2.1 周期性关联规则挖掘基本算法 | 第46-47页 |
| 4.2.2 周期性关联规则挖掘改进算法 | 第47-49页 |
| 4.2.3 算法对比分析 | 第49-50页 |
| 4.3 本章小结 | 第50-52页 |
| 5 关联规则算法在电力系统不良数据检测与辨识中的应用 | 第52-64页 |
| 5.1 数据准备 | 第53-57页 |
| 5.1.1 数据样本选取 | 第53-54页 |
| 5.1.2 数据离散化处理 | 第54-57页 |
| 5.2 关联规则挖掘过程 | 第57-59页 |
| 5.3 实验与结果分析 | 第59-62页 |
| 5.3.1 单个不良数据检测与辨识 | 第59-60页 |
| 5.3.2 多个不良数据检测与辨识 | 第60-61页 |
| 5.3.3 结果分析 | 第61-62页 |
| 5.4 本章小结 | 第62-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 附录 | 第72页 |