| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.1.1 选题背景 | 第9-10页 |
| 1.1.2 选题意义 | 第10-11页 |
| 1.2 国内外研究现状及发展动态 | 第11-14页 |
| 1.2.1 电力大数据研究现状 | 第11页 |
| 1.2.2 居民用电行为分析与负荷预测研究现状 | 第11-13页 |
| 1.2.3 居民用电行为分析与负荷预测研究存在的问题 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 论文结构 | 第15-16页 |
| 第2章 基于大数据的居民用电负荷预测模型设计 | 第16-26页 |
| 2.1 居民用电大数据分析 | 第16-17页 |
| 2.1.1 居民用电大数据来源分析 | 第16-17页 |
| 2.1.2 居民用电大数据特点分析 | 第17页 |
| 2.2 基于居民用电特性相似性的负荷曲线分析 | 第17-20页 |
| 2.2.1 居民用电负荷曲线分析 | 第17-18页 |
| 2.2.2 影响负荷曲线变化的因素 | 第18-20页 |
| 2.3 基于大数据的居民用电负荷预测模型 | 第20-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 居民用电行为分析与负荷预测方法分析 | 第26-38页 |
| 3.1 居民用电负荷曲线聚类方法 | 第26-33页 |
| 3.1.1 传统K-Means算法 | 第26-27页 |
| 3.1.2 基于Spark的K-Means算法 | 第27-33页 |
| 3.1.2.1 Spark并行计算技术 | 第27-28页 |
| 3.1.2.2 Spark的运行逻辑 | 第28-30页 |
| 3.1.2.3 RDD模型 | 第30-31页 |
| 3.1.2.4 并行K-Means算法 | 第31-33页 |
| 3.2 多层感知器神经网络 | 第33-35页 |
| 3.2.1 MLP-NN算法分析 | 第33-34页 |
| 3.2.2 基于Spark的MLP-NN训练过程 | 第34-35页 |
| 3.3 支持向量机算法 | 第35-37页 |
| 3.3.1 支持向量机算法分析 | 第35-37页 |
| 3.3.2 基于Spark的支持向量机算法实现 | 第37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 实验分析及原型系统的实现 | 第38-52页 |
| 4.1 实验平台的搭建 | 第38-40页 |
| 4.1.1 平台的基本配置 | 第38-39页 |
| 4.1.2 平台的搭建过程 | 第39-40页 |
| 4.2 基于K-Means的居民用电行为分析 | 第40-44页 |
| 4.2.1 实验样本数据和特征向量的选取 | 第40-41页 |
| 4.2.2 Spark下并行K-Means算法的居民用电行为实验分析 | 第41-44页 |
| 4.3 基于居民用电行为的负荷预测实验 | 第44-49页 |
| 4.3.1 实验样本数据和特征向量的选取 | 第44-45页 |
| 4.3.2 实验结果评价指标 | 第45页 |
| 4.3.3 基于Spark的MLP-NN与SVM算法的负荷预测实验 | 第45-49页 |
| 4.4 原型系统的设计与开发 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第56-57页 |
| 致谢 | 第57页 |
