| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文主要工作及章节安排 | 第14-17页 |
| 1.3.1 论文的主要工作 | 第14-15页 |
| 1.3.2 论文的章节安排 | 第15-17页 |
| 第2章 用户用电行为分析 | 第17-23页 |
| 2.1 引言 | 第17页 |
| 2.2 异常数据处理 | 第17-18页 |
| 2.3 负荷曲线相似性分析 | 第18-20页 |
| 2.4 负荷聚类 | 第20-21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 基于少量用户负荷数据的短期负荷预测 | 第23-39页 |
| 3.1 引言 | 第23页 |
| 3.2 少量用户用电行为分析 | 第23-30页 |
| 3.2.1 K-means聚类算法 | 第23页 |
| 3.2.2 基于K-Means的负荷聚类模型 | 第23-24页 |
| 3.2.3 负荷聚类结果 | 第24-30页 |
| 3.3 基于OS-ELM的短期负荷预测模型 | 第30-33页 |
| 3.3.1 OS-ELM算法 | 第30-32页 |
| 3.3.2 预测模型 | 第32-33页 |
| 3.4 算例分析 | 第33-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 基于海量用户负荷数据的短期负荷预测 | 第39-51页 |
| 4.1 引言 | 第39页 |
| 4.2 Spark大数据处理框架 | 第39-40页 |
| 4.3 海量用户用电行为分析 | 第40-42页 |
| 4.3.1 基于Spark的并行K-Means算法 | 第40-41页 |
| 4.3.2 基于Spark的并行K-Means负荷聚类模型 | 第41-42页 |
| 4.4 基于Spark的OS-ELM算法 | 第42-45页 |
| 4.4.1 基于Spark的并行OS-ELM算法基本原理 | 第42-43页 |
| 4.4.2 基于Spark的并行OS-ELM算法设计 | 第43-44页 |
| 4.4.3 基于Spark的并行OS-ELM算法实现 | 第44-45页 |
| 4.5 基于Spark的并行OS-ELM预测模型 | 第45页 |
| 4.6 算例分析 | 第45-49页 |
| 4.7 本章小结 | 第49-51页 |
| 第5章 结论与展望 | 第51-53页 |
| 5.1 结论 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-60页 |
| 致谢 | 第60页 |
