| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 负荷分析及预测研究现状 | 第8-9页 |
| 1.2.2 大数据技术研究现状 | 第9-10页 |
| 1.2.3 深度学习研究现状 | 第10页 |
| 1.3 本文主要内容与组织结构 | 第10-13页 |
| 第二章 智能用电大数据平台设计 | 第13-18页 |
| 2.1 智能用电、大数据与深度学习 | 第13-14页 |
| 2.2 智能用电大数据平台整体架构图 | 第14-16页 |
| 2.2.1 数据来源层 | 第15-16页 |
| 2.2.2 数据处理层 | 第16页 |
| 2.2.3 挖掘分析层 | 第16页 |
| 2.2.4 业务应用层 | 第16页 |
| 2.3 本章小结 | 第16-18页 |
| 第三章 基于MapReduce并行决策树的用电习惯挖掘 | 第18-36页 |
| 3.1 电力用户负荷特性分析 | 第18-19页 |
| 3.1.1 负荷特性分析 | 第18页 |
| 3.1.2 智能用电中的数据挖掘算法 | 第18-19页 |
| 3.2 基于决策树的用电习惯挖掘 | 第19-22页 |
| 3.2.1 决策树概述 | 第19-20页 |
| 3.2.2 常用的决策树分类算法 | 第20-21页 |
| 3.2.3 基于决策树的用电习惯挖掘 | 第21-22页 |
| 3.3 并行决策树算法设计 | 第22-29页 |
| 3.3.1 MapReduce编程模型 | 第22-24页 |
| 3.3.2 基于相关性的决策树优化方法 | 第24-25页 |
| 3.3.3 基于MapReduce的并行决策树算法 | 第25-29页 |
| 3.4 实验结果与分析 | 第29-35页 |
| 3.4.1 实验数据及环境配置 | 第29-30页 |
| 3.4.2 用电行为习惯分析 | 第30-33页 |
| 3.4.3 算法并行性能分析 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 深度学习网络模型结构与改进 | 第36-46页 |
| 4.1 深度学习与浅层神经网络 | 第36-37页 |
| 4.2 SAE模型结构 | 第37-38页 |
| 4.3 DBN模型结构 | 第38-42页 |
| 4.3.1 RBM原理及分析 | 第38-39页 |
| 4.3.2 RBM训练算法 | 第39-41页 |
| 4.3.3 DBN训练算法 | 第41-42页 |
| 4.4 基于信息熵的隐含层神经元个数确定方法 | 第42-45页 |
| 4.4.1 基于信息熵的隐含层神经元个数的推导 | 第42-43页 |
| 4.4.2 实验结果及分析 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 Spark平台下基于改进深度学习算法的短期负荷预测 | 第46-61页 |
| 5.1 Spark平台简介 | 第46-47页 |
| 5.2 深度学习的并行化 | 第47-48页 |
| 5.3 基于改进深度学习的短期负荷预测算法设计 | 第48-53页 |
| 5.3.1 基于Spark的历史负荷聚类 | 第49-50页 |
| 5.3.2 基于信息熵确定隐含层神经元个数 | 第50-51页 |
| 5.3.3 基于DBN的待预测日负荷类型分类 | 第51-52页 |
| 5.3.4 基于SAE的短期负荷预测 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-60页 |
| 5.4.1 不考虑典型负荷曲线 | 第54-55页 |
| 5.4.2 考虑典型负荷曲线 | 第55-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 攻读硕士期间取得的成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
