| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 术语与缩略词 | 第13-17页 |
| 1 绪论 | 第17-33页 |
| 1.1 课题背景和意义 | 第17-20页 |
| 1.2 电力数据挖掘研究现状 | 第20-25页 |
| 1.3 深度学习、迁移学习概述 | 第25-29页 |
| 1.3.1 深度学习概述 | 第25-26页 |
| 1.3.2 迁移学习概述 | 第26-29页 |
| 1.4 论文的研究内容 | 第29-33页 |
| 1.4.1 本文组织结构 | 第29-30页 |
| 1.4.2 具体内容 | 第30-33页 |
| 2 预备知识 | 第33-41页 |
| 2.1 自编码器 | 第33-34页 |
| 2.2 循环神经网络 | 第34-36页 |
| 2.3 网络训练方法 | 第36-40页 |
| 2.3.1 反向传播算法 | 第37-38页 |
| 2.3.2 随时间的反向传播算法 | 第38-40页 |
| 2.4 本章小结 | 第40-41页 |
| 3 基于栈式稀疏自编码器的电网线路跳闸数据驱动故障检测 | 第41-65页 |
| 3.1 引言 | 第41-42页 |
| 3.2 问题描述 | 第42-43页 |
| 3.3 基于栈式稀疏自编码器的线路跳闸故障检测方法 | 第43-51页 |
| 3.3.1 栈式稀疏自编码器网络 | 第43-46页 |
| 3.3.2 基于PCA和SVM的改进故障检测模型 | 第46-51页 |
| 3.4 模型性能评估实验与分析 | 第51-62页 |
| 3.4.1 实验数据与实验条件设置 | 第51-53页 |
| 3.4.2 实验结果与分析 | 第53-62页 |
| 3.5 本章小结 | 第62-65页 |
| 4 基于MLSTM网络的电网线路跳闸数据驱动故障诊断 | 第65-87页 |
| 4.1 引言 | 第65-66页 |
| 4.2 问题描述 | 第66-67页 |
| 4.3 基于MLSTM网络的线路跳闸故障诊断方法 | 第67-75页 |
| 4.3.1 长短期记忆网络模型 | 第67-71页 |
| 4.3.2 基于MLSTM网络的故障诊断模型 | 第71-75页 |
| 4.4 模型性能评估实验与分析 | 第75-84页 |
| 4.4.1 实验数据与实验条件设置 | 第75-77页 |
| 4.4.2 实验结果与分析 | 第77-84页 |
| 4.5 本章小结 | 第84-87页 |
| 5 基于GRU网络的电网用户短期负荷预测 | 第87-107页 |
| 5.1 引言 | 第87-88页 |
| 5.2 问题描述 | 第88-89页 |
| 5.3 基于GRU网络的电网用户短期负荷预测方法 | 第89-93页 |
| 5.3.1 GRU单元结构 | 第89-90页 |
| 5.3.2 基于GRU网络的电网用户短期负荷预测模型 | 第90-93页 |
| 5.4 模型性能评估实验与分析 | 第93-103页 |
| 5.4.1 实验数据与实验条件设置 | 第93-95页 |
| 5.4.2 实验结果与分析 | 第95-103页 |
| 5.5 本章小结 | 第103-107页 |
| 6 基于迁移学习和MMD的电力数据挖掘技术 | 第107-127页 |
| 6.1 引言 | 第107-108页 |
| 6.2 问题描述 | 第108页 |
| 6.3 基于迁移学习和MMD的电力数据挖掘模型 | 第108-115页 |
| 6.3.1 迁移学习 | 第108-109页 |
| 6.3.2 最大均值差异算法 | 第109-111页 |
| 6.3.3 基于迁移学习和MMD的电力数据挖掘网络 | 第111-115页 |
| 6.4 模型性能评估实验与分析 | 第115-125页 |
| 6.4.1 实验数据与实验条件设置 | 第115-116页 |
| 6.4.2 实验结果与分析 | 第116-125页 |
| 6.5 本章小结 | 第125-127页 |
| 7 总结与展望 | 第127-131页 |
| 7.1 全文总结 | 第127-128页 |
| 7.2 研究展望 | 第128-131页 |
| 参考文献 | 第131-143页 |
| 作者简历 | 第143-145页 |
| 攻读博士学位期间的主要成果 | 第145-147页 |
| 致谢 | 第147-148页 |
