| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 短期电力负荷预测研究现状 | 第11-12页 |
| 1.2.2 大数据分析技术研究现状 | 第12-14页 |
| 1.3 论文主要工作及内容安排 | 第14-16页 |
| 第2章 基于大数据的电力负荷变化特性分析 | 第16-25页 |
| 2.1 电力系统大数据特性分析 | 第16页 |
| 2.2 电力负荷变化特性分析的关键点 | 第16-17页 |
| 2.3 基于聚类分析的负荷时间维度变化特性分析 | 第17-20页 |
| 2.4 基于关联分析的外在因素与负荷的影响性分析 | 第20-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 基于深度学习的短期负荷预测 | 第25-34页 |
| 3.1 基于栈式自编码神经网络的预测模型 | 第25-30页 |
| 3.1.1 自编码器 | 第25-26页 |
| 3.1.2 SAE-NN预测模型设计 | 第26-28页 |
| 3.1.3 SAE-NN模型训练 | 第28-29页 |
| 3.1.4 SAE-NN负荷预测流程 | 第29-30页 |
| 3.2 仿真结果与分析 | 第30-33页 |
| 3.2.1 实验数据集及误差评价指标 | 第30页 |
| 3.2.2 预测结果分析 | 第30-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 基于Hadoop和数据挖掘的短期负荷预测 | 第34-53页 |
| 4.1 Hadoop大数据处理架构 | 第34-36页 |
| 4.1.1 MapReduce计算框架 | 第34-35页 |
| 4.1.2 基于Hadoop的短期负荷预测平台 | 第35-36页 |
| 4.2 数据预处理 | 第36-37页 |
| 4.2.1 数据缺失值处理 | 第36页 |
| 4.2.2 数据标准化处理 | 第36-37页 |
| 4.3 Hadoop架构下基于模式匹配的短期负荷预测 | 第37-45页 |
| 4.3.1 典型负荷模式挖掘 | 第38-40页 |
| 4.3.2 关键影响因素辨识 | 第40-41页 |
| 4.3.3 负荷模式匹配与预测模型建立 | 第41-43页 |
| 4.3.4 Hadoop架构下并行负荷分析与预测 | 第43-45页 |
| 4.4 仿真结果与分析 | 第45-52页 |
| 4.4.1 实验环境 | 第45页 |
| 4.4.2 实验数据集和误差评价指标 | 第45-46页 |
| 4.4.3 负荷预测精度分析 | 第46-51页 |
| 4.4.4 并行性分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-60页 |
| 攻读硕士学位期间参加的科研工作 | 第60-61页 |
| 致谢 | 第61页 |