| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题研究背景及意义 | 第9页 |
| 1.2 电力用户侧数据的国内外研究现状 | 第9-11页 |
| 1.2.1 电力用户侧数据的研究现状 | 第9-10页 |
| 1.2.2 数据价值国内外研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 论文章节安排 | 第12-13页 |
| 第2章 电力用户侧数据相关基础理论研究 | 第13-23页 |
| 2.1 人工神经网络 | 第13-14页 |
| 2.2 神经网络模式识别 | 第14-17页 |
| 2.3 大规模数据集聚类算法 | 第17-20页 |
| 2.4 聚类基本过程 | 第20-21页 |
| 2.5 聚类效果评价分析 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 自适应模糊C均值子空间聚类算法 | 第23-27页 |
| 3.1 自适应模糊C均值算法 | 第23页 |
| 3.2 子空间聚类算法 | 第23-24页 |
| 3.3 基于自适应模糊C均值子空间聚类算法 | 第24-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第4章 基于电力用户侧数据聚类结果的信息价值评估方法研究 | 第27-32页 |
| 4.1 电力用户侧数据的基本要素 | 第27-28页 |
| 4.2 信息价值评估的基本原理 | 第28页 |
| 4.3 电力用户侧数据信息价值评估方法 | 第28-30页 |
| 4.3.1 价值评估指标体系 | 第28-29页 |
| 4.3.2 价值评估模型 | 第29-30页 |
| 4.4 本章小结 | 第30-32页 |
| 第5章 仿真实验与结果分析 | 第32-38页 |
| 5.1 实验环境 | 第32页 |
| 5.2 数据源 | 第32-33页 |
| 5.3 用电特性算法对比 | 第33-36页 |
| 5.3.1 与模糊C均值、自适应模糊C均值算法对比 | 第33-34页 |
| 5.3.2 与并行k-means算法的对比 | 第34页 |
| 5.3.3 用户特性分析 | 第34-35页 |
| 5.3.4 用户用电调控潜力评价 | 第35-36页 |
| 5.4 价值评估方法算例分析 | 第36页 |
| 5.5 本章小结 | 第36-38页 |
| 第6章 总结与展望 | 第38-40页 |
| 6.1 课题总结 | 第38-39页 |
| 6.2 展望 | 第39-40页 |
| 参考文献 | 第40-43页 |
| 致谢 | 第43页 |