| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 国内外的研究现状及发展方向 | 第10-13页 |
| 1.2.1 国内外电力大数据的研究现状 | 第10-12页 |
| 1.2.2 电力用户行为分析及数据分类算法的研究现状 | 第12页 |
| 1.2.3 电力数据分析研究的发展趋势 | 第12-13页 |
| 1.3 论文研究的主要内容 | 第13-14页 |
| 1.4 论文组织结构安排 | 第14-16页 |
| 2 相关技术概述 | 第16-24页 |
| 2.1 数据挖掘技术 | 第16-19页 |
| 2.1.1 数据挖掘结构及流程 | 第16-18页 |
| 2.1.2 数据挖掘分类 | 第18-19页 |
| 2.2 Hadoop平台技术 | 第19-22页 |
| 2.2.1 Hadoop平台 | 第19-20页 |
| 2.2.2 分布式文件系统HDFS | 第20-21页 |
| 2.2.3 MapReduce | 第21-22页 |
| 2.3 本章小结 | 第22-24页 |
| 3 电力用户分类及常用算法分析 | 第24-36页 |
| 3.1 电力用户分类 | 第24-26页 |
| 3.1.1 电力用户分类策略 | 第24页 |
| 3.1.2 电力用户分类指标 | 第24-26页 |
| 3.2 数据分类常用算法 | 第26-29页 |
| 3.2.1 K-means聚类算法 | 第26-27页 |
| 3.2.2 K-Medoids聚类算法 | 第27-28页 |
| 3.2.3 KNN最近邻分类算法 | 第28-29页 |
| 3.2.4 朴素贝叶斯分类算法 | 第29页 |
| 3.3 数据分类常用算法分析与研究 | 第29-35页 |
| 3.3.1 算法仿真实验 | 第29-34页 |
| 3.3.2 算法对比分析及选取 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于K-means算法的改进 | 第36-44页 |
| 4.1 基于阈值方法的K值选取 | 第36-38页 |
| 4.2 属性加权的空间距离算法优化 | 第38-39页 |
| 4.3 基于MapReduce编程框架的算法优化 | 第39-43页 |
| 4.3.1 算法优化过程 | 第39-41页 |
| 4.3.2 Map函数的设计 | 第41页 |
| 4.3.3 Combiner函数的设计 | 第41-42页 |
| 4.3.4 Reducer函数的设计 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 5 实验过程与结果分析 | 第44-60页 |
| 5.1 Hadoop平台搭建 | 第44-50页 |
| 5.1.1 实验环境 | 第44-45页 |
| 5.1.2 Hadoop集群的配置 | 第45-50页 |
| 5.2 电力数据分类实验与分析 | 第50-58页 |
| 5.2.1 电力负荷数据分类实验 | 第50-53页 |
| 5.2.2 电力负荷数据处理效率实验 | 第53-56页 |
| 5.2.3 电力用户行为分析 | 第56-58页 |
| 5.3 本章小结 | 第58-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 | 第66页 |