| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 异常检测方法国内外研究现状 | 第11页 |
| 1.2.2 半监督学习方法国内外研究现状 | 第11-13页 |
| 1.2.3 不平衡数据处理方法国内外研究现状 | 第13-15页 |
| 1.3 论文研究内容及章节安排 | 第15-18页 |
| 1.3.1 论文研究内容 | 第15-16页 |
| 1.3.2 论文章节安排 | 第16-18页 |
| 第二章 电力负荷数据预处理 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 数据清洗 | 第18-20页 |
| 2.2.1 异常值处理 | 第19页 |
| 2.2.2 缺失值补全 | 第19-20页 |
| 2.3 电力负荷数据特征提取 | 第20-27页 |
| 2.3.1 统计性特征指标 | 第20-25页 |
| 2.3.2 趋势特征指标 | 第25-26页 |
| 2.3.3 频域特征指标 | 第26-27页 |
| 2.4 电力负荷数据特征评估 | 第27-30页 |
| 2.4.1 特征归一化与降维 | 第27-29页 |
| 2.4.2 特征重要度排序 | 第29-30页 |
| 2.5 根据部分观测异常筛选可靠的正常样本 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 电力用户用电异常检测技术研究 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 基于聚类的分层最近邻欠采样算法 | 第32-35页 |
| 3.2.1 确定多数类样本簇数与聚类 | 第32-34页 |
| 3.2.2 多数类样本分层最近邻采样方法 | 第34页 |
| 3.2.3 基于聚类的分层最近邻欠采样算法描述 | 第34-35页 |
| 3.3 基于监督学习与半监督学习的电力用户用电异常检测技术研究 | 第35-38页 |
| 3.3.1 基于监督学习的随机森林异常检测模型 | 第35-37页 |
| 3.3.2 基于半监督学习的协同森林异常检测模型 | 第37-38页 |
| 3.4 基于欠采样的协同森林异常检测模型效果评价 | 第38-45页 |
| 3.4.1 异常检测效果的评价指标 | 第38-39页 |
| 3.4.2 实验数据说明 | 第39-40页 |
| 3.4.3 实例分析 | 第40-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 改进的协同森林异常检测模型 | 第46-54页 |
| 4.1 引言 | 第46页 |
| 4.2 基于异常分类的Multi-Class-Co-Forest异常检测模型 | 第46-48页 |
| 4.2.1 单类异常转化为多类异常 | 第46-47页 |
| 4.2.2 基于异常分类的Multi-Class-Co-Forest异常检测模型的构建 | 第47-48页 |
| 4.3 基于样本检测的异常检测效果优化方法 | 第48-51页 |
| 4.3.1 异常隶属度计算方法 | 第48-49页 |
| 4.3.2 安全的协同森林异常检测模型 | 第49-51页 |
| 4.4 改进的协同森林异常检测模型效果评价 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文总结 | 第54-55页 |
| 5.2 未来工作展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文目录 | 第61页 |
