| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文工作 | 第13-14页 |
| 1.4 章节安排 | 第14-15页 |
| 第2章 相关技术 | 第15-22页 |
| 2.1 负荷曲线聚类相关技术 | 第15-17页 |
| 2.1.1 负荷曲线聚类的概念 | 第15页 |
| 2.1.2 K-means聚类算法简介 | 第15-16页 |
| 2.1.3 K-means聚类算法的优缺点 | 第16-17页 |
| 2.2 神经网络算法 | 第17-18页 |
| 2.2.1 BP神经网络结构 | 第17页 |
| 2.2.2 BP学习算法 | 第17-18页 |
| 2.3 决策树算法 | 第18-21页 |
| 2.3.1 分类树和回归树 | 第19-20页 |
| 2.3.2 Bagging和Boosting思想 | 第20页 |
| 2.3.3 集成学习 | 第20-21页 |
| 2.3.4 随机森林与GBDT | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于Kernel K-means的负荷聚类改进算法 | 第22-30页 |
| 3.1 核函数 | 第22-23页 |
| 3.2 算法描述 | 第23-24页 |
| 3.3 算法流程 | 第24页 |
| 3.4 核主成分优化Kernel K-means | 第24页 |
| 3.5 核矩阵的削减 | 第24-26页 |
| 3.6 实验分析 | 第26-29页 |
| 3.6.1 实验数据的选取 | 第26页 |
| 3.6.2 聚类评价指标的选取 | 第26-27页 |
| 3.6.3 聚类算法实验分析 | 第27-29页 |
| 3.7 本章小结 | 第29-30页 |
| 第4章 增量学习优化BP神经网络 | 第30-38页 |
| 4.1 增量学习 | 第30-31页 |
| 4.2 增量神经网络的基本思想 | 第31页 |
| 4.3 增量BP神经网络 | 第31-32页 |
| 4.4 基于增量BP神经网络的负荷预测模型 | 第32-34页 |
| 4.5 Increment-BP预测算法实验结果分析 | 第34-37页 |
| 4.5.1 实验数据的选取 | 第34页 |
| 4.5.2 预测评价指标的选取 | 第34-35页 |
| 4.5.3 商业用户实验 | 第35-36页 |
| 4.5.4 居民用户实验 | 第36-37页 |
| 4.6 本章小结 | 第37-38页 |
| 第5章 基于Spark的GBDT算法并行研究 | 第38-44页 |
| 5.1 GBDT算法介绍 | 第38-39页 |
| 5.1.1 GBDT算法的原理 | 第38-39页 |
| 5.1.2 GBDT算法的步骤 | 第39页 |
| 5.2 Spark简介 | 第39-41页 |
| 5.3 基于Spark的GBDT实验结果分析 | 第41-43页 |
| 5.4 本章小结 | 第43-44页 |
| 第6章 总结与展望 | 第44-46页 |
| 6.1 论文工作总结 | 第44页 |
| 6.2 下一步的工作 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第49-50页 |
| 致谢 | 第50页 |