| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 课题研究背景及意义 | 第14-15页 |
| 1.2 国内外研究进展及现状 | 第15-19页 |
| 1.2.1 基于数据及图形的智能电网的研究进展及现状 | 第15-16页 |
| 1.2.2 聚类分析的研究进展及现状 | 第16-17页 |
| 1.2.3 基于图形特征向量提取方法的研究进展及现状 | 第17-19页 |
| 1.2.4 K-均值算法的研究进展及现状 | 第19页 |
| 1.3 本文研究内容及组织结构 | 第19-22页 |
| 1.3.1 论文的研究内容 | 第19-20页 |
| 1.3.2 论文的组织结构 | 第20-22页 |
| 第2章 配电网电压等高线态势图的特征向量提取 | 第22-33页 |
| 2.1 研究的图形对象 | 第22-25页 |
| 2.1.1 变电站为中心的配电网概念 | 第22页 |
| 2.1.2 变电站为中心的配电网电压等高线概念 | 第22-23页 |
| 2.1.3 采用SVG格式的配电网电压等高线解析 | 第23-25页 |
| 2.2 特征向量的提取方法 | 第25-31页 |
| 2.2.1 基于图片的等高线模型 | 第26-28页 |
| 2.2.2 基于图片的网格化模型 | 第28-31页 |
| 2.3 特征向量提取结果分析 | 第31-32页 |
| 2.4 本章小节 | 第32-33页 |
| 第3章 智能电网态势图建模及态势可视化关键技术 | 第33-45页 |
| 3.1 聚类分析基础 | 第33-36页 |
| 3.1.1 聚类分析的定义 | 第33页 |
| 3.1.2 聚类分析的步骤 | 第33-34页 |
| 3.1.3 聚类分析对算法的要求 | 第34页 |
| 3.1.4 聚类分析的一些算法 | 第34-35页 |
| 3.1.5 聚类算法的距离度量 | 第35-36页 |
| 3.2 基于MATLAB的聚类算法 | 第36-43页 |
| 3.2.1 MTALAB软件介绍 | 第36页 |
| 3.2.2 K-均值算法 | 第36-38页 |
| 3.2.3 凝聚型层次聚类算法 | 第38-40页 |
| 3.2.4 FCM算法 | 第40-41页 |
| 3.2.5 SOM算法 | 第41-43页 |
| 3.3 基于典型日态势图形样本的聚类分析方法选择 | 第43-44页 |
| 3.3.1 聚类效果判据 | 第43页 |
| 3.3.2 各聚类算法的比较结果 | 第43-44页 |
| 3.3.3 聚类算法的确定 | 第44页 |
| 3.4 本章小节 | 第44-45页 |
| 第4章 基于K-均值算法的配电网电压等高线态势图的聚类分析及其应用 | 第45-59页 |
| 4.1 K-均值算法K值的确定 | 第45-47页 |
| 4.1.1 K值的判定方法 | 第45-47页 |
| 4.2 小规模样本聚类结果分析 | 第47-50页 |
| 4.2.1 基于K-均值算法的图片特征向量聚类 | 第47-48页 |
| 4.2.2 基于K-均值算法的图片聚类结果评价 | 第48页 |
| 4.2.3 基于K-均值算法的图片聚类的时间分布分析 | 第48-50页 |
| 4.2.4 典型日的聚类结果综合分析及评价 | 第50页 |
| 4.3 大规模样本聚类结果综合分析及评价 | 第50-58页 |
| 4.3.1 工作日的聚类结果综合分析及评价 | 第51-53页 |
| 4.3.2 非工作日的聚类结果综合分析及评价 | 第53-56页 |
| 4.3.3 节假日的聚类结果综合分析及评价 | 第56-58页 |
| 4.4 本章小节 | 第58-59页 |
| 第5章 全文总结及进一步工作展望 | 第59-61页 |
| 5.1 全文总结 | 第59-60页 |
| 5.2 进一步工作展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录I 典型日态势图片的聚类结果 | 第67-70页 |
| 附录II 大规模样本的聚类结果的时间分布规律图 | 第70页 |
| 附录III K-均值聚类算法实现的关键代码 | 第70-73页 |
| 附录IV 作者在读期间发表的学术论文及参加的科研项目 | 第73页 |
