| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题研究的背景与意义 | 第10-11页 |
| 1.2 负荷聚类分析研究现状 | 第11-15页 |
| 1.2.1 国内在负荷聚类领域的研究 | 第12-14页 |
| 1.2.2 国外在负荷聚类分析的研究 | 第14页 |
| 1.2.3 负荷聚类的应用 | 第14-15页 |
| 1.3 本文的主要贡献与创新 | 第15-16页 |
| 1.4 本论文的结构安排 | 第16-17页 |
| 第二章 负荷聚类的基本理论 | 第17-35页 |
| 2.1 负荷特性分析 | 第17-21页 |
| 2.1.1 电力负荷的构成分析 | 第17-18页 |
| 2.1.2 负荷特性指标 | 第18-21页 |
| 2.2 电网数据挖掘和聚类理论 | 第21-34页 |
| 2.2.1 数据选择 | 第21-22页 |
| 2.2.2 负荷数据挖掘流程 | 第22-24页 |
| 2.2.3 数据预处理算法 | 第24-25页 |
| 2.2.4 数据归一化 | 第25-26页 |
| 2.2.5 聚类算法理论基础 | 第26-32页 |
| 2.2.5.1 基于划分的聚类算法 | 第26-29页 |
| 2.2.5.2 基于层次的聚类算法 | 第29-30页 |
| 2.2.5.3 基于密度的聚类算法 | 第30页 |
| 2.2.5.4 基于模型的聚类算法 | 第30-32页 |
| 2.2.6 聚类评价准则函数 | 第32-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第三章 结合降维技术的改进K-MEANS算法负荷聚类 | 第35-59页 |
| 3.1 数据来源 | 第35页 |
| 3.2 数据预处理 | 第35-37页 |
| 3.2.1 预处理的负荷数据表示 | 第35-36页 |
| 3.2.2 异常数据辨识与修正 | 第36-37页 |
| 3.2.3 数据归一化 | 第37页 |
| 3.3 聚类算法效率对比 | 第37-38页 |
| 3.4 负荷数据降维方法选择 | 第38-44页 |
| 3.4.1 主成分分析 | 第39-40页 |
| 3.4.2 Sammon映射 | 第40-41页 |
| 3.4.3 负荷特性指标选取降维 | 第41-42页 |
| 3.4.4 降维效果分析 | 第42-44页 |
| 3.5 改进K均值算法 | 第44-57页 |
| 3.5.1 常见k-means算法的缺陷 | 第44-46页 |
| 3.5.2 常见的最优聚类个数确定的方法 | 第46-48页 |
| 3.5.3 基于聚类评估指标的K值选取 | 第48-49页 |
| 3.5.4 基于GSA算法和肘形判据的k值选取 | 第49-53页 |
| 3.5.5 基于密度和相异性的初始中心化k-means | 第53-57页 |
| 3.6 本章小结 | 第57-59页 |
| 第四章 负荷模式识别的仿真及应用 | 第59-83页 |
| 4.1 基于改进K-MEANS算法的用电用户负荷分类 | 第59-66页 |
| 4.1.1 传统k-means算法应用于负荷模式聚类的缺陷分析 | 第59-60页 |
| 4.1.2 基于改进k-means算法的负荷模式聚类分析及有效性分析 | 第60-66页 |
| 4.2 基于梯度提升树的负荷模式识别方法研究 | 第66-75页 |
| 4.2.1 决策树 | 第67-68页 |
| 4.2.2 基于梯度提升树的负荷识别方法 | 第68-72页 |
| 4.2.3 GBDT分类器结果 | 第72-75页 |
| 4.3 基于电力数据的聚类算法模式识别应用平台 | 第75-82页 |
| 4.3.1 平台开发环境 | 第75-76页 |
| 4.3.2 平台结构与模块设计 | 第76-78页 |
| 4.3.3 案例研究-基于区域性的负荷聚类分析 | 第78-82页 |
| 4.4 本章小结 | 第82-83页 |
| 第五章 全文总结与展望 | 第83-85页 |
| 5.1 全文总结 | 第83页 |
| 5.2 后续工作展望 | 第83-85页 |
| 致谢 | 第85-86页 |
| 参考文献 | 第86-90页 |
| 攻读硕士学位期间取得的成果 | 第90页 |
