| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-17页 |
| 1.2.1 配网设备运行大数据分析研究现状 | 第11-15页 |
| 1.2.2 配网设备检修技术研究现状 | 第15-17页 |
| 1.3 研究主要内容及难点 | 第17-18页 |
| 1.4 论文章节分布 | 第18-19页 |
| 第2章 配网设备运行数据源分析 | 第19-33页 |
| 2.1 配网关键设备类型分类 | 第19-25页 |
| 2.1.1 配网一次设备 | 第20-23页 |
| 2.1.2 配网二次设备 | 第23-25页 |
| 2.2 典型配网设备运行数据源分析 | 第25-32页 |
| 2.2.1 配电自动化系统 | 第26-28页 |
| 2.2.2 变电站综合自动化系统 | 第28-29页 |
| 2.2.3 调度自动化系统 | 第29-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 多源配网设备运行大数据数据处理模型与方法 | 第33-46页 |
| 3.1 聚类原理概述 | 第33-36页 |
| 3.2 基于遗传算法和相邻聚类的缺失信息修复实现 | 第36-43页 |
| 3.2.1 缺失信息系统下的近邻传播聚类原理 | 第37-39页 |
| 3.2.2 基于遗传优化的缺失数据聚类算法 | 第39-41页 |
| 3.2.3 基于信息熵的数据填充算法 | 第41-43页 |
| 3.3 仿真实验与结果分析 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于大数据分析的配网设备运行状态精细化评价模型与方法 | 第46-76页 |
| 4.1 基于属性识别原理的大数据偏好学习模型研究 | 第46-51页 |
| 4.1.1 属性识别原理概述 | 第46-48页 |
| 4.1.2 面向大数据的偏好学习技术研究 | 第48-51页 |
| 4.2 配网设备运行状态精细化评价体系研究 | 第51-65页 |
| 4.2.1 配网设备运行状态指标体系研究 | 第51-60页 |
| 4.2.2 基于偏好学习的配网设备运行状态精细化评价技术研究 | 第60-65页 |
| 4.3 配网设备运行状态精细化评价实例 | 第65-75页 |
| 4.3.1 配网设备运行概况 | 第65-66页 |
| 4.3.2 配网设备运行状态精细化评价实例及分析 | 第66-75页 |
| 4.4 本章小结 | 第75-76页 |
| 第5章 配网设备运行大数据深度分析系统设计与实现 | 第76-88页 |
| 5.1 系统设计概述 | 第76-78页 |
| 5.1.1 系统开发目的 | 第76页 |
| 5.1.2 系统设计原则 | 第76-77页 |
| 5.1.3 系统开发环境 | 第77-78页 |
| 5.2 软件系统结构模块划分 | 第78-80页 |
| 5.3 系统功能与性能介绍 | 第80-87页 |
| 5.3.1 软件功能模块划分 | 第80-82页 |
| 5.3.2 系统操作说明 | 第82-87页 |
| 5.4 本章小结 | 第87-88页 |
| 第6章 结论与展望 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第93-94页 |
| 致谢 | 第94页 |