| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 选题背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 用户用电行为研究现状 | 第11-12页 |
| 1.2.2 聚类算法的研究现状 | 第12页 |
| 1.2.3 云计算技术的研究现状 | 第12-13页 |
| 1.3 课题研究的主要内容 | 第13-14页 |
| 1.4 论文的组织安排 | 第14-15页 |
| 第2章 相关技术 | 第15-21页 |
| 2.1 Hadoop核心技术 | 第15-17页 |
| 2.1.1 分布式文件系统HDFS | 第15-16页 |
| 2.1.2 分布式计算框架MapReduce | 第16-17页 |
| 2.2 Spark云计算框架 | 第17-20页 |
| 2.2.1 Spark框架概述 | 第17-18页 |
| 2.2.2 Spark编程模型 | 第18-19页 |
| 2.2.3 Spark与Hadoop的比较 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 电力负荷聚类算法设计 | 第21-27页 |
| 3.1 传统的k-means聚类算法 | 第21页 |
| 3.2 k-means聚类算法改进原理 | 第21-22页 |
| 3.2.1 自适应特征权重 | 第21-22页 |
| 3.2.2 自适应聚类数 | 第22页 |
| 3.3 基于改进的k-means电力负荷聚类算法设计 | 第22-26页 |
| 3.3.1 特征选择 | 第22-23页 |
| 3.3.2 电力负荷聚类算法设计 | 第23-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第4章 基于聚类与深度学习的用户用电行为研究 | 第27-38页 |
| 4.1 训练DBN模型 | 第27-29页 |
| 4.1.1 RBM原理介绍 | 第27-29页 |
| 4.1.2 DBN原理介绍 | 第29页 |
| 4.2 深度信念网络分类器负荷曲线分类 | 第29-33页 |
| 4.2.1 深度信念网络分类器 | 第29-30页 |
| 4.2.2 DBNC居民负荷曲线分类 | 第30-33页 |
| 4.3 基于改进k-means与DBN的用户用电行为分析 | 第33-35页 |
| 4.3.1 基于改进k-means与DBN的居民负荷曲线分类方法设计思路 | 第33-34页 |
| 4.3.2 IKDBNC方法设计 | 第34-35页 |
| 4.4 实验与算例分析 | 第35-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第5章 基于云计算的深度学习算法实现及用户用电行为分析 | 第38-46页 |
| 5.1 Spark云计算平台搭建与配置 | 第38-40页 |
| 5.1.1 系统环境说明 | 第38-39页 |
| 5.1.2 CDH部署与配置 | 第39-40页 |
| 5.2 基于Spark的DBNC模型并行化设计 | 第40-43页 |
| 5.2.1 模型并行化分析 | 第40-42页 |
| 5.2.2 DBNC模型并行化设计 | 第42-43页 |
| 5.3 实验与算例分析 | 第43-45页 |
| 5.4 本章小结 | 第45-46页 |
| 第6章 总结与展望 | 第46-48页 |
| 6.1 总结 | 第46页 |
| 6.2 展望 | 第46-48页 |
| 参考文献 | 第48-51页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第51-52页 |
| 致谢 | 第52页 |
