基于数据挖掘的电力客户避峰价值分析
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 选题的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要研究工作 | 第12-14页 |
| 1.4 本文的创新点 | 第14页 |
| 1.5 本章小结 | 第14-16页 |
| 第二章 数据挖掘中的聚类分析 | 第16-28页 |
| 2.1 数据挖掘 | 第16-19页 |
| 2.1.1 基本概念 | 第16页 |
| 2.1.2 常用算法 | 第16-19页 |
| 2.2 聚类分析技术 | 第19-24页 |
| 2.2.1 聚类的定义及过程 | 第19-20页 |
| 2.2.2 聚类的数据结构 | 第20-21页 |
| 2.2.3 聚类的主要算法 | 第21-22页 |
| 2.2.4 聚类的相似性度量 | 第22页 |
| 2.2.5 聚类的准则函数 | 第22-24页 |
| 2.3 K-means聚类算法 | 第24-27页 |
| 2.3.1 K-means算法的基本原理 | 第24页 |
| 2.3.2 K-means算法的步骤 | 第24-25页 |
| 2.3.3 K-means算法的聚类过程 | 第25-26页 |
| 2.3.4 K-means算法的缺陷及改进 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 电力系统负荷特性分析 | 第28-38页 |
| 3.1 负荷的分类 | 第28-29页 |
| 3.2 常用的负荷特性指标 | 第29-31页 |
| 3.2.1 日负荷特性指标 | 第29-30页 |
| 3.2.2 月负荷特性指标 | 第30页 |
| 3.2.3 年负荷特性指标 | 第30-31页 |
| 3.3 负荷特性分析 | 第31-37页 |
| 3.3.1 年负荷特性分析 | 第31-32页 |
| 3.3.2 月负荷特性分析 | 第32-33页 |
| 3.3.3 日负荷特性分析 | 第33-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 电力客户负荷特性分析 | 第38-50页 |
| 4.1 典型行业分析 | 第38-41页 |
| 4.1.1 农业负荷特性分析 | 第38-39页 |
| 4.1.2 工业负荷特性分析 | 第39-40页 |
| 4.1.3 商业负荷特性分析 | 第40页 |
| 4.1.4 居民生活负荷特性分析 | 第40-41页 |
| 4.2 典型客户分析 | 第41-49页 |
| 4.2.1 典型日负荷曲线 | 第41-49页 |
| 4.2.2 峰谷时段划分 | 第49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 避峰方案建立及分析 | 第50-60页 |
| 5.1 算法设计 | 第50-53页 |
| 5.1.1 新的负荷特性指标 | 第50-52页 |
| 5.1.2 避峰价值模型 | 第52-53页 |
| 5.2 程序设计 | 第53-55页 |
| 5.3 实例分析及验证 | 第55-58页 |
| 5.3.1 实例分析 | 第55-56页 |
| 5.3.2 实例验证 | 第56-58页 |
| 5.4 激励措施 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 结论与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 附录A | 第68-70页 |
| 附录B | 第70-73页 |
