摘要 | 第5-6页 |
Abstract | 第6页 |
第一章 绪论 | 第9-15页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-13页 |
1.2.1 负荷预测方法研究现状 | 第10-11页 |
1.2.2 大数据分布式图计算研究现状 | 第11-12页 |
1.2.3 基于大数据的负荷预测技术研究现状 | 第12-13页 |
1.3 论文的主要工作及安排 | 第13-15页 |
1.3.1 主要研究内容 | 第13页 |
1.3.2 组织结构 | 第13-15页 |
第二章 负荷预测概率图模型 | 第15-29页 |
2.1 影响负荷的因素分析 | 第15-18页 |
2.1.1 日类型和负荷之间的关联分析 | 第15-16页 |
2.1.2 温度和负荷之间的关联分析 | 第16-17页 |
2.1.3 湿度和负荷之间的关联分析 | 第17-18页 |
2.2 概率图理论与典型模型 | 第18-23页 |
2.2.1 贝叶斯网络模型 | 第20-21页 |
2.2.2 马尔可夫模型 | 第21-22页 |
2.2.3 动态贝叶斯模型 | 第22-23页 |
2.3 基于动态贝叶斯的负荷预测概率图模型 | 第23-28页 |
2.3.1 计及多因子的负荷预测概率图模型结构 | 第23-24页 |
2.3.2 负荷预测概率的前向-后向推理算法 | 第24-28页 |
2.4 本章小结 | 第28-29页 |
第三章 分布式图计算平台搭建及算法流程设计 | 第29-39页 |
3.1 总体思路 | 第29-30页 |
3.2 开发平台搭建 | 第30-35页 |
3.2.1 数据存储层 | 第32-33页 |
3.2.2 分布式计算层 | 第33-35页 |
3.2.3 图计算应用层 | 第35页 |
3.3 负荷预测分布式图计算流程设计及关键技术研究 | 第35-37页 |
3.3.1 流程设计 | 第35-37页 |
3.3.2 关键技术 | 第37页 |
3.4 本章小结 | 第37-39页 |
第四章 多源数据处理 | 第39-51页 |
4.1 数据清洗及质量检查 | 第39-43页 |
4.1.1 数据清洗 | 第39-41页 |
4.1.2 数据质量检查 | 第41-43页 |
4.2 数据的格式转换 | 第43-45页 |
4.2.1 数据导入与存储 | 第43-44页 |
4.2.2 多源数据结构设计 | 第44-45页 |
4.3 数据状态区间划分 | 第45-49页 |
4.3.1 负荷状态划分 | 第46-47页 |
4.3.2 日类型状态划分 | 第47-48页 |
4.3.3 温度状态划分 | 第48页 |
4.3.4 湿度状态划分 | 第48-49页 |
4.4 本章小结 | 第49-51页 |
第五章 概率图的分布式并行计算 | 第51-67页 |
5.1 负荷聚类 | 第51-53页 |
5.1.1 K-均值聚类算法 | 第51-52页 |
5.1.2 配变聚类 | 第52-53页 |
5.2 图数据库建立 | 第53-58页 |
5.2.1 GraphX的图数据结构及存储 | 第54页 |
5.2.2 负荷预测数据在GraphX中的重构 | 第54-58页 |
5.3 概率矩阵计算 | 第58-62页 |
5.3.1 状态转移概率矩阵 | 第58-61页 |
5.3.2 先验概率矩阵 | 第61页 |
5.3.3 日类型条件概率矩阵 | 第61页 |
5.3.4 温度条件概率矩阵 | 第61-62页 |
5.3.5 湿度条件概率矩阵 | 第62页 |
5.4 基于动态贝叶斯的负荷预测算法实现 | 第62-64页 |
5.4.1 概率图主程序算法流程 | 第62-63页 |
5.4.2 负荷预测算法的并行化实现 | 第63-64页 |
5.5 本章小结 | 第64-67页 |
第六章 实验算例与分析 | 第67-73页 |
6.1 数据说明及实验平台 | 第67页 |
6.2 实验结果与分析 | 第67-72页 |
6.2.1 日负荷曲线分析 | 第67-71页 |
6.2.2 图计算性能分析 | 第71-72页 |
6.3 本章小结 | 第72-73页 |
第七章 总结和展望 | 第73-75页 |
7.1 论文总结 | 第73页 |
7.2 下一步工作 | 第73-75页 |
攻读硕士期间取得的成果 | 第75-77页 |
致谢 | 第77-79页 |
参考文献 | 第79-82页 |