| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 课题背景及研究的意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文研究内容 | 第10-12页 |
| 第二章 电力负荷预测机器学习方法 | 第12-19页 |
| 2.1 电力负荷预测方法的发展 | 第12页 |
| 2.2 相似度进行初步预测计算 | 第12-13页 |
| 2.3 聚类分析法 | 第13-15页 |
| 2.4 神经网络法预测 | 第15-16页 |
| 2.5 支持向量机预测 | 第16-18页 |
| 2.6 时间序列预测 | 第18页 |
| 2.7 本章小结 | 第18-19页 |
| 第三章 分布式电力负荷预测系统的架构 | 第19-29页 |
| 3.1 整体架构需求 | 第19页 |
| 3.2 整体架构 | 第19-21页 |
| 3.3 微服务架构 | 第21-22页 |
| 3.4 大数据基础软件层 | 第22-24页 |
| 3.5 spark在项目中的应用 | 第24-26页 |
| 3.6 Spark Streaming流数据处理框架 | 第26-27页 |
| 3.7 本章小结 | 第27-29页 |
| 第四章 数据的准备和整理 | 第29-35页 |
| 4.1 负荷数据来源 | 第29页 |
| 4.2 负荷预测的变量分析 | 第29页 |
| 4.3 数据存储设计 | 第29-31页 |
| 4.4 数据整理 | 第31-33页 |
| 4.4.1 缺失值的经验补缺 | 第31页 |
| 4.4.2 异常值的处理 | 第31-32页 |
| 4.4.3 数据标准化处理 | 第32-33页 |
| 4.5 特征选择和抽取 | 第33-34页 |
| 4.6 本章小结 | 第34-35页 |
| 第五章 预测系统的开发实现及结果分析 | 第35-52页 |
| 5.1 基于R的实验 | 第35-39页 |
| 5.2 Hadoop平台及生态的搭建 | 第39-42页 |
| 5.3 Hadoop平台上进行负荷预测模块实现 | 第42-47页 |
| 5.3.1 MapReduce算法实现的SVM | 第43-45页 |
| 5.3.2 基于Spark的聚类算法 | 第45页 |
| 5.3.3 基于Spark的支持向量机算法 | 第45-47页 |
| 5.4 Hadoop平台上负荷预测的效果展现 | 第47-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 本文总结 | 第52页 |
| 6.2 后续工作展望 | 第52-54页 |
| 6.2.1 对台风日等特殊日期的预测 | 第52页 |
| 6.2.2 基于深度学习的并行负荷预测 | 第52-53页 |
| 6.2.3 软件扩展方向上 | 第53-54页 |
| 第七章 参考文献 | 第54-57页 |
| 攻读硕士学位期间参加的科研工作 | 第57-58页 |
| 致谢 | 第58-59页 |
| 作者简介 | 第59页 |