| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 选题背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 经典预测方法 | 第12-13页 |
| 1.2.2 现代预测方法 | 第13-15页 |
| 1.3 课题研究的主要内容 | 第15-16页 |
| 1.4 论文的组织安排 | 第16-18页 |
| 第2章 相关技术 | 第18-28页 |
| 2.1 Spark云计算框架 | 第18-21页 |
| 2.1.1 Spark体系结构 | 第18-19页 |
| 2.1.2 Spark RDD | 第19页 |
| 2.1.3 Spark编程模型 | 第19-21页 |
| 2.1.4 Spark容错机制 | 第21页 |
| 2.2 YARN资源调度平台 | 第21-24页 |
| 2.2.1 YARN架构 | 第22-23页 |
| 2.2.2 YARN资源分配 | 第23-24页 |
| 2.3 相空间重构理论 | 第24-25页 |
| 2.4 样本数据预处理 | 第25-27页 |
| 2.4.1 坏数据查找与替换 | 第25-27页 |
| 2.4.2 数据归一化处理 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于云计算和相空间重构的ELM电力负荷预测算法设计 | 第28-34页 |
| 3.1 极限学习机原理 | 第28-30页 |
| 3.2 相空间重构与极限学习机结合的短期负荷预测模型 | 第30页 |
| 3.3 基于相空间重构与ELM的负荷预测算法并行设计 | 第30-32页 |
| 3.4 算法并行性能分析 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于云计算和相空间重构的SVM电力负荷预测算法设计 | 第34-45页 |
| 4.1 支持向量机回归模型 | 第34-36页 |
| 4.2 随机聚焦搜索优化算法（SFS） | 第36-39页 |
| 4.2.1 PSO优化算法 | 第36-37页 |
| 4.2.2 SFS优化算法设计 | 第37-39页 |
| 4.3 相空间重构与支持向量机结合的短期负荷预测模型 | 第39-42页 |
| 4.3.1 SVM输入参量的选取 | 第40-41页 |
| 4.3.2 基于SFS的SVM参数优化 | 第41-42页 |
| 4.4 基于相空间重构与SVM的负荷预测算法并行设计 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 系统设计与测试 | 第45-60页 |
| 5.1 实验平台 | 第45-51页 |
| 5.1.1 系统环境 | 第45-46页 |
| 5.1.2 安装并配置SSH | 第46-47页 |
| 5.1.3 安装并配置Hadoop平台 | 第47-48页 |
| 5.1.4 在平台上部署YARN | 第48-49页 |
| 5.1.5 在YARN上部署Spark | 第49-51页 |
| 5.2 评价指标描述 | 第51-52页 |
| 5.3 基于云计算和相空间重构的ELM算法测试实验 | 第52-56页 |
| 5.3.1 算法预测准确率 | 第52-54页 |
| 5.3.2 算法并行性能 | 第54-56页 |
| 5.4 基于云计算和相空间重构的SVM算法测试实验 | 第56-59页 |
| 5.4.1 算法预测准确率和执行效率 | 第56-58页 |
| 5.4.2 算法并行性能 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 本论文的主要工作 | 第60页 |
| 6.2 对未来工作的展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第65-66页 |
| 致谢 | 第66页 |
