| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 负荷预测研究现状 | 第11-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 第2章 相关技术与基本理论 | 第14-26页 |
| 2.1 负荷数据来源与处理 | 第14-15页 |
| 2.1.1 数据来源 | 第14页 |
| 2.1.2 数据预处理 | 第14-15页 |
| 2.2 时间序列 | 第15-18页 |
| 2.2.1 时间序列的平稳性 | 第16-17页 |
| 2.2.2 负荷数据的平稳性 | 第17-18页 |
| 2.3 Hadoop平台 | 第18-22页 |
| 2.3.1 Hadoop简介 | 第18-19页 |
| 2.3.2 HDFS | 第19-21页 |
| 2.3.3 MapReduce | 第21-22页 |
| 2.4 Spark平台 | 第22-25页 |
| 2.4.1 Spark简介 | 第22-23页 |
| 2.4.2 Spark RDD | 第23-24页 |
| 2.4.3 Spark运行架构 | 第24-25页 |
| 2.5 本章小节 | 第25-26页 |
| 第3章 基于Holt-Winters的短期负荷预测模型 | 第26-39页 |
| 3.1 负荷数据特征 | 第26-29页 |
| 3.1.1 负荷数据的周期性 | 第26-27页 |
| 3.1.2 负荷数据的季节性 | 第27-29页 |
| 3.2 Holt-Winters模型 | 第29-30页 |
| 3.3 短期负荷预测模型 | 第30-31页 |
| 3.3.1 模型初始值计算 | 第30-31页 |
| 3.3.2 短期负荷预测模型优化 | 第31页 |
| 3.4 预测模型优化算法 | 第31-38页 |
| 3.4.1 算法复杂度 | 第32-33页 |
| 3.4.2 优化问题分类 | 第33-34页 |
| 3.4.3 模型优化算法 | 第34-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于Spark的短期负荷预测并行化 | 第39-51页 |
| 4.1 负荷数据存储 | 第39-42页 |
| 4.2 短期负荷预测并行化实现 | 第42-47页 |
| 4.2.1 并行化实现 | 第42-46页 |
| 4.2.2 程序计算流程 | 第46-47页 |
| 4.3 Spark计算集群搭建 | 第47-50页 |
| 4.3.1 集群网络拓扑 | 第47-48页 |
| 4.3.2 Spark集群配置 | 第48-49页 |
| 4.3.3 Spark集群管理与任务运行 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验与结果分析 | 第51-70页 |
| 5.1 实验环境 | 第51-54页 |
| 5.1.1 实验软硬件环境 | 第51-52页 |
| 5.1.2 实验数据准备 | 第52页 |
| 5.1.3 Spark优化 | 第52-54页 |
| 5.2 Holt-Winters负荷预测模型实验 | 第54-59页 |
| 5.2.1 参数优化方法的对比实验 | 第55-57页 |
| 5.2.2 负荷预测效果实验 | 第57-59页 |
| 5.2.3 负荷预测方法的对比实验 | 第59页 |
| 5.3 HDFS文件存储性能试验 | 第59-60页 |
| 5.4 基于Spark的并行负荷预测性能实验 | 第60-66页 |
| 5.4.1 不同集群规模的负荷预测实验 | 第61-63页 |
| 5.4.2 并行性能分析 | 第63-66页 |
| 5.5 短期预测方法的应用效果分析 | 第66-69页 |
| 5.5.1 预测精度的经济性影响 | 第66-68页 |
| 5.5.2 预测速度的对电力系统调度的影响 | 第68-69页 |
| 5.6 本章小结 | 第69-70页 |
| 结论 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-74页 |