| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第13-21页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 配电网故障预测基本理论 | 第14-15页 |
| 1.2.1 配电网故障预测的概念 | 第14页 |
| 1.2.2 配电网故障预测的原则 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-17页 |
| 1.4 基于数据挖掘技术的配电网故障预测方法 | 第17-19页 |
| 1.4.1 数据挖掘简介 | 第17-18页 |
| 1.4.2 数据挖掘技术在配电网故障预测的应用 | 第18-19页 |
| 1.5 本文主要研究内容及工作 | 第19-21页 |
| 2 配电网数据调研及预处理 | 第21-37页 |
| 2.1 引言 | 第21页 |
| 2.2 故障影响因素分析 | 第21-22页 |
| 2.3 配电网数据调研及提取 | 第22-24页 |
| 2.4 多维数据的预处理 | 第24-36页 |
| 2.4.1 数据预处理技术 | 第24-25页 |
| 2.4.2 基于粒子群聚类算法诊断离群样本的原理 | 第25-29页 |
| 2.4.3 轮廓值法确立最佳聚类数 | 第29-30页 |
| 2.4.4 数据预处理结果及分析 | 第30-36页 |
| 2.5 本章小结 | 第36-37页 |
| 3 数据探索分析及特征选择 | 第37-51页 |
| 3.1 引言 | 第37页 |
| 3.2 馈线故障影响因素数据探索分析 | 第37-45页 |
| 3.2.1 馈线故障特性的分析 | 第38-40页 |
| 3.2.2 外部影响因素的分析 | 第40-41页 |
| 3.2.3 自身影响因素的分析 | 第41-44页 |
| 3.2.4 运行影响因素的分析 | 第44-45页 |
| 3.3 馈线故障特征变量的选择 | 第45-49页 |
| 3.3.1 特征选择方法简介 | 第45页 |
| 3.3.2 特征子集搜索算法的选择 | 第45-46页 |
| 3.3.3 特征子集评价算法的选择 | 第46-48页 |
| 3.3.4 特征选择结果及分析 | 第48-49页 |
| 3.4 本章小结 | 第49-51页 |
| 4 基于随机森林算法构建馈线故障预测模型 | 第51-65页 |
| 4.1 引言 | 第51页 |
| 4.2 随机森林算法原理 | 第51-54页 |
| 4.2.1 训练样本和特征子空间的抽样方法 | 第51-52页 |
| 4.2.2 选择构建分类树的算法 | 第52-54页 |
| 4.2.3 分类树的集成方法 | 第54页 |
| 4.3 随机森林算法分析 | 第54-55页 |
| 4.3.1 算法的泛化误差分析 | 第54-55页 |
| 4.3.2 算法的适用性分析 | 第55页 |
| 4.4 Weka数据挖掘平台简介 | 第55-56页 |
| 4.5 预测结果及分析 | 第56-62页 |
| 4.5.1 数据样本 | 第56页 |
| 4.5.2 模型的构建与预测方法 | 第56-58页 |
| 4.5.3 结果评价标准 | 第58页 |
| 4.5.4 模型的优化 | 第58-60页 |
| 4.5.5 预测结果及分析 | 第60-62页 |
| 4.6 与常用分类算法对比 | 第62-63页 |
| 4.7 本章小结 | 第63-65页 |
| 5 基于馈线故障预测结果的抢修驻点位置优化 | 第65-79页 |
| 5.1 引言 | 第65页 |
| 5.2 构建抢修驻点位置优化模型 | 第65-67页 |
| 5.3 模拟植物生长算法在抢修驻点位置优化求解的应用 | 第67-72页 |
| 5.3.1 PGSA算法原理 | 第67-69页 |
| 5.3.2 PGSA算法的两点改进 | 第69-70页 |
| 5.3.3 基于改进PGSA的抢修驻点位置优化求解过程 | 第70-72页 |
| 5.4 算例及分析 | 第72-77页 |
| 5.4.1 配置抢修场景 | 第72-73页 |
| 5.4.2 馈线等效点的聚类 | 第73-74页 |
| 5.4.3 PGSA算法参数的设置 | 第74-75页 |
| 5.4.4 优化结果及分析 | 第75-77页 |
| 5.5 本章小结 | 第77-79页 |
| 6 总结与展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第85-89页 |
| 学位论文数据集 | 第89页 |