摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第1章 绪论 | 第10-16页 |
1.1 课题研究背景和意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-14页 |
1.2.1 大数据技术的发展 | 第12页 |
1.2.2 智能电网大数据的研究 | 第12-13页 |
1.2.3 智能电网大数据研究存在问题 | 第13-14页 |
1.3 本文主要工作及内容安排 | 第14-16页 |
第2章 智能电网大数据技术分析与研究 | 第16-22页 |
2.1 智能电网分析 | 第16-18页 |
2.1.1 智能电网的发展 | 第16页 |
2.1.2 智能电网大数据特征 | 第16-17页 |
2.1.3 智能电网大数据分布 | 第17-18页 |
2.2 处理电网大数据的方法技术 | 第18-21页 |
2.2.1 数据处理方式 | 第19页 |
2.2.2 多源数据融合技术 | 第19页 |
2.2.3 数据挖掘分析 | 第19-20页 |
2.2.4 数据可视化处理 | 第20-21页 |
2.2.5 其他常用大数据技术 | 第21页 |
2.3 本章小结 | 第21-22页 |
第3章 智能电网大数据融合框架 | 第22-28页 |
3.1 信息融合技术 | 第22-23页 |
3.1.1 信息融合理论 | 第22页 |
3.1.2 信息融合层次 | 第22-23页 |
3.1.3 信息融合方法 | 第23页 |
3.2 智能电网大数据融合框架设计 | 第23-24页 |
3.3 智能电网大数据融合平台建设和性能优化 | 第24-27页 |
3.3.1 传感量测层 | 第25页 |
3.3.2 数据管理层 | 第25-26页 |
3.3.3 应用层 | 第26-27页 |
3.4 本章小结 | 第27-28页 |
第4章 基于MI-BP融合算法研究 | 第28-39页 |
4.1 电网数据相关性分析现状 | 第28页 |
4.2 互信息理论 | 第28-31页 |
4.2.1 互信息及其相关定义 | 第29-30页 |
4.2.2 K-近邻概率密度估算 | 第30-31页 |
4.3 基于互信息的变量选择算法 | 第31-32页 |
4.4 BP网络算法的并行化 | 第32-36页 |
4.4.1 BP网络算法 | 第32-34页 |
4.4.2 基于Map Reduce的BP神经网络 | 第34-36页 |
4.5 基于Map Reduce的融合处理 | 第36-38页 |
4.6 本章小结 | 第38-39页 |
第5章 智能电网大数据融合方法的实验仿真 | 第39-47页 |
5.1 Hadoop大数据处理平台 | 第39-41页 |
5.2 实验数据及评价指标 | 第41-43页 |
5.2.1 实验数据的选取 | 第41-42页 |
5.2.2 实验评价指标 | 第42-43页 |
5.3 仿真实验结果分析 | 第43-46页 |
5.4 本章小结 | 第46-47页 |
总结与展望 | 第47-49页 |
参考文献 | 第49-52页 |
攻读硕士学位期间发表的论文及其他成果 | 第52-53页 |
致谢 | 第53页 |