基于大数据技术的用电行为分析关键技术研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 论文背景及研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 大数据技术应用分析 | 第15-24页 |
| 2.1 数据来源分析 | 第15-16页 |
| 2.2 海量数据存储技术 | 第16-20页 |
| 2.2.1 存储容量及技术规划 | 第17-18页 |
| 2.2.2 异构数据整合分析 | 第18-19页 |
| 2.2.3 存储能力分析 | 第19-20页 |
| 2.3 海量数据预处理技术 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 用电行为分析关键技术 | 第24-31页 |
| 3.1 用电行为分类技术 | 第24-27页 |
| 3.2 用电行为诊断技术 | 第27-29页 |
| 3.3 用电行为日期优化技术 | 第29页 |
| 3.4 用电行为相似度识别技术 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 用电行为分析模型构建 | 第31-49页 |
| 4.1 用电行为分析模型 | 第31-35页 |
| 4.1.1 主网负荷特征分析 | 第31-32页 |
| 4.1.2 电力客户群体分析 | 第32-33页 |
| 4.1.3 曲线模式匹配 | 第33页 |
| 4.1.4 日期匹配 | 第33-35页 |
| 4.2 用电行为分析模型仿真实验 | 第35-48页 |
| 4.2.1 主网聚类结果 | 第35-37页 |
| 4.2.2 客户群体分析结果 | 第37-47页 |
| 4.2.3 日期匹配结果 | 第47-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 用电行为分析管理软件设计与实现 | 第49-69页 |
| 5.1 系统架构设计 | 第49页 |
| 5.2 系统功能设计 | 第49-56页 |
| 5.2.1 用电行为分析引擎 | 第49-52页 |
| 5.2.2 主网负荷的聚类分析 | 第52-53页 |
| 5.2.3 客户群用电行为分析 | 第53-54页 |
| 5.2.4 主网负荷数据管理 | 第54-55页 |
| 5.2.5 用电客户负荷查询 | 第55-56页 |
| 5.3 数据库架构设计 | 第56-57页 |
| 5.3.1 概念模型设计 | 第56页 |
| 5.3.2 逻辑模型设计 | 第56-57页 |
| 5.4 系统功能实现 | 第57-64页 |
| 5.4.1 用电行为分析引擎 | 第57-58页 |
| 5.4.2 主网负荷聚类分析 | 第58-60页 |
| 5.4.3 客户群用电行为分析 | 第60-62页 |
| 5.4.4 主网负荷数据管理 | 第62-63页 |
| 5.4.5 用电客户负荷查询 | 第63-64页 |
| 5.5 系统测试 | 第64-67页 |
| 5.5.1 测试目的 | 第64-65页 |
| 5.5.2 测试环境 | 第65页 |
| 5.5.3 测试流程 | 第65-67页 |
| 5.5.4 性能测试 | 第67页 |
| 5.5.5 测试结果 | 第67页 |
| 5.6 本章小结 | 第67-69页 |
| 第6章 结论与展望 | 第69-70页 |
| 6.1 主要工作 | 第69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73-74页 |
| 作者简介 | 第74页 |
