基于大数据的用户用电特性研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.1.1 大数据在电力行业的应用 | 第10-11页 |
| 1.1.2 大数据在电力行业的研究意义 | 第11页 |
| 1.2 国内外电力大数据研究现状 | 第11-13页 |
| 1.2.1 国外电力大数据研究现状 | 第11-12页 |
| 1.2.2 国内电力大数据研究现状 | 第12-13页 |
| 1.3 电力大数据实现方法 | 第13-14页 |
| 1.3.1 数据挖掘相关技术 | 第13-14页 |
| 1.3.2 大数据相关技术 | 第14页 |
| 1.4 本文主要研究内容 | 第14-16页 |
| 第2章 数据挖掘分析方法 | 第16-21页 |
| 2.1 数据挖掘 | 第16-17页 |
| 2.1.1 数据类型 | 第16页 |
| 2.1.2 数据挖掘的任务 | 第16-17页 |
| 2.2 数据预处理 | 第17-20页 |
| 2.2.1 数据清洗 | 第18-19页 |
| 2.2.2 数据集成 | 第19页 |
| 2.2.3 数据归约 | 第19-20页 |
| 2.2.4 数据变换 | 第20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 大数据分析平台研究 | 第21-34页 |
| 3.1 Hadoop平台研究 | 第21-22页 |
| 3.2 Hadoop文件系统 | 第22-24页 |
| 3.2.1 HDFS概述 | 第22页 |
| 3.2.2 HDFS架构 | 第22-24页 |
| 3.3 Map Reduce概述 | 第24-25页 |
| 3.3.1 Map Reduce架构 | 第24-25页 |
| 3.4 Spark平台研究 | 第25-27页 |
| 3.4.1 Spark体系结构 | 第25-26页 |
| 3.4.2 Spark编程模型 | 第26-27页 |
| 3.5 大数据分析平台搭建 | 第27-33页 |
| 3.5.1 Hadoop分析平台搭建 | 第27-31页 |
| 3.5.2 Spark分析平台搭建 | 第31-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第4章 聚类在数据分析中的应用 | 第34-49页 |
| 4.1 电力数据预处理 | 第34-36页 |
| 4.1.1 电力数据异常情况 | 第34页 |
| 4.1.2 电力数据异常情况处理 | 第34-35页 |
| 4.1.3 电力数据的归一化操作 | 第35-36页 |
| 4.2 传统聚类算法在数据分析中的应用 | 第36-38页 |
| 4.2.1 电力用户负荷曲线 | 第36-37页 |
| 4.2.2 k均值聚类 | 第37-38页 |
| 4.2.3 层次聚类 | 第38页 |
| 4.3 基于谱聚类改进的幂迭代聚类 | 第38-43页 |
| 4.3.1 谱聚类 | 第38-39页 |
| 4.3.2 谱聚类原理 | 第39-40页 |
| 4.3.3 幂迭代聚类原理 | 第40-43页 |
| 4.4 实验结果与分析 | 第43-48页 |
| 4.4.1 算法验证与实现 | 第43-46页 |
| 4.4.2 实验结果 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于大数据平台的用户负荷预测 | 第49-57页 |
| 5.1 电力负荷预测 | 第49-51页 |
| 5.1.1 电力负荷预测的分类 | 第49-50页 |
| 5.1.2 电力负荷预测的误差衡量 | 第50-51页 |
| 5.1.3 常见的负荷预测方法 | 第51页 |
| 5.2 局部加权回归算法 | 第51-53页 |
| 5.2.1 局部加权回归原理 | 第52-53页 |
| 5.3 实验结果与分析 | 第53-56页 |
| 5.3.1 算法实现 | 第53-54页 |
| 5.3.2 实验结果 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 结论与展望 | 第57-60页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
