基于机器学习的居民用电行为分析
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 窃电检测研究现状 | 第13-14页 |
| 1.2.2 用户聚类分析研究现状 | 第14-17页 |
| 1.3 课题的研究目的及研究内容 | 第17-20页 |
| 1.3.1 研究目的 | 第17页 |
| 1.3.2 主要研究内容 | 第17-20页 |
| 第二章 用户用电行为分析模型设计 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 数据挖掘简介 | 第20-21页 |
| 2.3 用电行为分析模型设计 | 第21-25页 |
| 2.4 数据准备 | 第25-27页 |
| 2.4.1 缺失值处理 | 第25页 |
| 2.4.2 数据融合 | 第25-27页 |
| 2.5 数据预分析 | 第27-30页 |
| 第三章 异常用电行为检测 | 第30-48页 |
| 3.1 引言 | 第30页 |
| 3.2 机器学习简介 | 第30-38页 |
| 3.2.1 人工神经网络 | 第30-33页 |
| 3.2.2 逻辑回归 | 第33-35页 |
| 3.2.3 决策树 | 第35-36页 |
| 3.2.4 集成学习 | 第36-38页 |
| 3.3 基于机器学习的异常用电行为预测 | 第38-47页 |
| 3.3.1 评价指标 | 第38-39页 |
| 3.3.2 实例分析 | 第39-47页 |
| 3.3.4 模型拓展能力 | 第47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 用户用电行为聚类分析 | 第48-60页 |
| 4.1 引言 | 第48页 |
| 4.2 聚类算法简介 | 第48-53页 |
| 4.2.1 系统聚类法 | 第48-49页 |
| 4.2.2 平均连接法 | 第49-50页 |
| 4.2.3 K-means聚类方法 | 第50-51页 |
| 4.2.4 模糊C均值算法 | 第51-52页 |
| 4.2.5 相似度和评价函数 | 第52-53页 |
| 4.3 基于k-means聚类的电力用户行分析 | 第53-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 总结和展望 | 第60-62页 |
| 5.1 全文总结 | 第60-61页 |
| 5.2 后续工作展望 | 第61-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 附录 | 第70-76页 |
| A.作者在攻读硕士学位期间发表的论文 | 第70页 |
| B.作者在攻读学位期间参与的科研项目 | 第70-71页 |
| C.相关数据说明 | 第71-76页 |
