| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-28页 |
| 1.1 课题研究背景与意义 | 第15-18页 |
| 1.1.1 课题的研究背景 | 第15-18页 |
| 1.1.2 课题的研究意义 | 第18页 |
| 1.2 电动汽车的发展概述 | 第18-20页 |
| 1.2.1 电动汽车分类 | 第18-19页 |
| 1.2.2 电动汽车充电设施发展 | 第19-20页 |
| 1.3 电动汽车集群可调度容量预测方法的国内外研究现状 | 第20-21页 |
| 1.4 大数据平台和算法在电力系统中的应用现状 | 第21-26页 |
| 1.4.1 大数据平台发展现状 | 第21-23页 |
| 1.4.2 大数据在电力系统中应用现状 | 第23-25页 |
| 1.4.3 大数据算法在电力系统应用现状 | 第25-26页 |
| 1.5 电动汽车集群可调度容量预测面临的主要问题 | 第26页 |
| 1.6 课题研究的主要内容和章节安排 | 第26-28页 |
| 第二章 多时间尺度电动汽车集群可调度容量需求分析 | 第28-34页 |
| 2.1 电动汽车集群可调度容量特点 | 第28-29页 |
| 2.2 电力系统多时间尺度调度需求分析 | 第29-31页 |
| 2.3 可调度容量预测的时间尺度选择 | 第31-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第三章 可调度容量预测的大数据平台和算法 | 第34-51页 |
| 3.1 Spark和Hadoop大数据架构架构 | 第34-39页 |
| 3.1.1 Hadoop基本架构 | 第34-37页 |
| 3.1.2 Spark基本架构 | 第37-39页 |
| 3.2 VMware虚拟机技术 | 第39-40页 |
| 3.3 可调度容量预测大数据平台的搭建与配置 | 第40-45页 |
| 3.3.1 Hadoop平台部署 | 第40-44页 |
| 3.3.2 Spark环境部署 | 第44-45页 |
| 3.4 可调度容量预测的大数据算法 | 第45-50页 |
| 3.4.1 并行决策树算法 | 第45-47页 |
| 3.4.2 并行随机森林算法 | 第47-48页 |
| 3.4.3 并行K近邻算法 | 第48-49页 |
| 3.4.4 三种大数据算法理论分析比较 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于大数据的电动汽车集群可调度容量预测方法 | 第51-58页 |
| 4.1 所提出的方法概述 | 第51-52页 |
| 4.2 实时可调度容量预测方法 | 第52-54页 |
| 4.2.1 实时运行数据采集 | 第52页 |
| 4.2.2 接入电网区域的电动汽车分类 | 第52-53页 |
| 4.2.3 单台电动汽车可调度容量的分类预测 | 第53-54页 |
| 4.2.4 电动汽车集群可调度容量预测 | 第54页 |
| 4.2.5 基于Spark的实时可调度容量预测方法 | 第54页 |
| 4.3 日前可调度容量预测方法 | 第54-57页 |
| 4.3.1 日前可调度容量预测训练集构建 | 第54-55页 |
| 4.3.2 基于大数据算法的日前可调度容量预测 | 第55-57页 |
| 4.3.3 日前可调度容量预测的评价指标 | 第57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 仿真和实验 | 第58-70页 |
| 5.1 实时采集数据来源 | 第58页 |
| 5.2 实时可调度容量预测结果 | 第58-60页 |
| 5.3 日前可调度容量预测结果 | 第60-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 结论与展望 | 第70-72页 |
| 6.1 本文的主要研究结论 | 第70页 |
| 6.2 下一步工作展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第76-77页 |
