| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 相关研究工作 | 第11-14页 |
| 1.2.1 大数据处理技术现状分析 | 第11-12页 |
| 1.2.2 大数据流异常检测研究现状 | 第12-13页 |
| 1.2.3 用户异常用电及多能扰动异常检测研究现状 | 第13-14页 |
| 1.3 本文工作 | 第14-15页 |
| 1.4 章节安排 | 第15-17页 |
| 第2章 数据流处理相关理论及技术 | 第17-23页 |
| 2.1 大数据流处理关键问题 | 第17-20页 |
| 2.1.1 数据流概述 | 第17-18页 |
| 2.1.2 大数据流处理模型 | 第18-19页 |
| 2.1.3 大数据流概要数据结构 | 第19-20页 |
| 2.2 分布式计算框架Hadoop | 第20-21页 |
| 2.3 实时流处理系统Spark Streaming | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 能源互联网大数据调度和处理策略 | 第23-30页 |
| 3.1 能源互联网大数据来源分析 | 第23-24页 |
| 3.2 能源互联网大数据流异常检测架构 | 第24-25页 |
| 3.3 能源互联网数据采集和预处理策略 | 第25-27页 |
| 3.4 异常检测的大数据作业调度策略 | 第27-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 能源互联网用户异常用电检测方法 | 第30-40页 |
| 4.1 高维大数据流的向量表示 | 第30-31页 |
| 4.2 大数据流高维特征空间异常检测模型 | 第31-32页 |
| 4.3 用户异常用电检测算例分析 | 第32-39页 |
| 4.3.1 集群实时计算任务配置及性能验证 | 第33-35页 |
| 4.3.2 Spark-KPCA对TEP数据集的实时异常检测 | 第35-36页 |
| 4.3.3 居民异常用电实时检测 | 第36-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第5章 能源互联网多能扰动异常检测方法 | 第40-52页 |
| 5.1 能源互联网多能扰动异常分析 | 第40-42页 |
| 5.2 多能扰动信号数学模型 | 第42-43页 |
| 5.2.1 建立电能扰动异常信号模型 | 第42页 |
| 5.2.2 建立燃气扰动异常信号模型 | 第42-43页 |
| 5.3 构建扰动信号的数据流处理模型 | 第43-47页 |
| 5.3.1 扰动信号流概要数据构建 | 第43-45页 |
| 5.3.2 扰动信号流概要数据更新 | 第45-47页 |
| 5.4 扰动信号特征提取 | 第47-48页 |
| 5.5 扰动信号分类 | 第48-50页 |
| 5.6 多能扰动异常在线识别实验 | 第50-51页 |
| 5.6.1 电能扰动识别实验验证 | 第50-51页 |
| 5.6.2 燃气扰动识别实验验证 | 第51页 |
| 5.7 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第57-58页 |
| 致谢 | 第58页 |
