| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 引言 | 第10页 |
| 1.2 智能电表故障预测技术国内外研究现状 | 第10-14页 |
| 1.2.1 智能电表故障预测研究现状 | 第10-11页 |
| 1.2.2 机器学习研究现状 | 第11-14页 |
| 1.3 本课题意义和主要内容 | 第14-16页 |
| 第二章 智能电表故障数据多维度统计技术研究 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 智能电表故障数据整体统计分析 | 第16-18页 |
| 2.3 智能电表故障数据分类属性统计分析 | 第18-23页 |
| 2.3.1 省份 | 第18-19页 |
| 2.3.2 电能表设备规格 | 第19-20页 |
| 2.3.3 供应商 | 第20-21页 |
| 2.3.4 通信方式 | 第21-23页 |
| 2.4 智能电表故障数据连续型属性统计分析 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 智能电表故障数据预处理技术研究 | 第26-33页 |
| 3.1 引言 | 第26页 |
| 3.2 数据清理 | 第26-27页 |
| 3.3 智能电表故障数据分类属性层次聚类方法 | 第27-29页 |
| 3.4 离散化和二元化 | 第29-31页 |
| 3.4.1 分类属性二元化 | 第29-30页 |
| 3.4.2 连续属性补全以及离散化 | 第30-31页 |
| 3.5 稀疏矩阵压缩 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 基于机器学习的智能电表故障预测模型构建技术研究 | 第33-53页 |
| 4.1 引言 | 第33页 |
| 4.2 基于神经网络的智能电表故障预测技术研究 | 第33-42页 |
| 4.2.1 多层感知器 | 第33-34页 |
| 4.2.2 智能电表故障预测多层感知器模型构建 | 第34-39页 |
| 4.2.3 基于多层感知器的智能电表故障预测实验结果分析 | 第39-42页 |
| 4.3 XGBoost原理分析 | 第42-46页 |
| 4.3.1 提升树模型 | 第42-45页 |
| 4.3.2 XGBoost模型 | 第45-46页 |
| 4.4 基于代价敏感的XGBoost故障分类预测模型 | 第46-52页 |
| 4.4.1 训练模型 | 第46-50页 |
| 4.4.2 模型预测 | 第50-51页 |
| 4.4.3 属性重要度分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 一种基于加权列抽样的XGBoost的智能电表故障预测方法 | 第53-59页 |
| 5.1 引言 | 第53页 |
| 5.2 抽样方法研究 | 第53-55页 |
| 5.3 基于加权列抽样的XGBoost的智能电表故障预测方法 | 第55-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士期间取得的研究成果 | 第67页 |
