| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外用电负荷模式识别研究概述 | 第11-14页 |
| 1.2.1 国内外负荷研究概述 | 第11-13页 |
| 1.2.2 国内外聚类融合研究概述 | 第13-14页 |
| 1.2.3 国内外深度学习研究概述 | 第14页 |
| 1.3 论文的主要工作 | 第14-16页 |
| 第二章 负荷数据预处理方法及聚类选择研究 | 第16-31页 |
| 2.1 引言 | 第16页 |
| 2.2 数据基础 | 第16-18页 |
| 2.3 负荷数据预处理方法研究 | 第18-22页 |
| 2.3.1 异常数据甄别与修正 | 第18-20页 |
| 2.3.2 负荷数据标准化方法及负荷曲线典型日生成 | 第20-22页 |
| 2.4 基于负荷数据的聚类选择研究 | 第22-30页 |
| 2.4.1 聚类探索性分析 | 第22-28页 |
| 2.4.2 聚类能效评价 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于聚类融合的用电负荷模式识别 | 第31-46页 |
| 3.1 引言 | 第31页 |
| 3.2 聚类及聚类融合基本原理 | 第31-34页 |
| 3.2.1 聚类分析简述 | 第31-32页 |
| 3.2.2 聚类融合简述 | 第32-34页 |
| 3.3 基于 Bootstrap 的差异化聚类成员生成 | 第34-37页 |
| 3.3.1 差异化聚类成员生成思路 | 第34-36页 |
| 3.3.2 基于时间序列的 Bootstrap 方法 | 第36-37页 |
| 3.3.3 聚类成员生成实施步骤 | 第37页 |
| 3.4 设计共识矩阵 | 第37-41页 |
| 3.5 实验结果分析 | 第41-45页 |
| 3.5.1 聚类成员差异度分析 | 第41-42页 |
| 3.5.2 聚类融合分簇效果对比分析 | 第42-43页 |
| 3.5.3 聚类融合分簇结果分析 | 第43-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 基于深度学习的用电负荷模式识别 | 第46-55页 |
| 4.1 引言 | 第46页 |
| 4.2 深度学习基本原理 | 第46-50页 |
| 4.2.1 深度学习模型建模思想 | 第46-47页 |
| 4.2.2 深度学习常用方法 | 第47-50页 |
| 4.3 深度学习模型研究分析 | 第50-51页 |
| 4.3.1 深度学习模型与浅层神经网络模型对比分析 | 第50-51页 |
| 4.3.2 深度学习模型训练瓶颈及解决方案 | 第51页 |
| 4.4 深度学习建模与实验结果分析 | 第51-54页 |
| 4.4.1 深度学习模型建模过程 | 第51-53页 |
| 4.4.2 实验结果分析与对比 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间取得的研究成果 | 第59-60页 |
| 致谢 | 第60-61页 |
| 附件 | 第61页 |
