| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 主要缩略语及中英文对照 | 第15-16页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 研究背景 | 第16-19页 |
| 1.1.1 智能电网与大数据 | 第16-18页 |
| 1.1.2 用户用电行为挖掘 | 第18-19页 |
| 1.2 研究问题与目标 | 第19-21页 |
| 1.3 论文主要工作 | 第21-23页 |
| 1.4 论文组织结构 | 第23-24页 |
| 1.5 课题来源 | 第24-26页 |
| 第二章 相关研究综述 | 第26-37页 |
| 2.1 基于负荷数据的用电行为特征分析方法的研究现状 | 第26-30页 |
| 2.1.1 高维负荷数据降维 | 第26-27页 |
| 2.1.2 用电行为模式特征提取 | 第27-28页 |
| 2.1.3 用电用户分类 | 第28-30页 |
| 2.2 用电行为与外部因素关联分析方法的研究现状 | 第30-32页 |
| 2.2.1 相关性分析方法 | 第30-31页 |
| 2.2.2 外部因素影响力分析 | 第31-32页 |
| 2.3 动态用电行为演化分析方法的研究现状 | 第32-35页 |
| 2.3.1 增量学习 | 第32-33页 |
| 2.3.2 用电异常检测 | 第33-34页 |
| 2.3.3 用电负荷预测 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 面向用电负荷数据的用电行为特征分析方法 | 第37-67页 |
| 3.1 用户典型用电负荷模式提取 | 第38-53页 |
| 3.1.1 问题定义与建模 | 第38-40页 |
| 3.1.2 负荷曲线降维 | 第40-41页 |
| 3.1.3 融合聚类方法 | 第41-44页 |
| 3.1.4 性能评估 | 第44-53页 |
| 3.2 基于负荷模式的用户分类 | 第53-65页 |
| 3.2.1 混合模型构建 | 第53-54页 |
| 3.2.2 模糊用户分组 | 第54-55页 |
| 3.2.3 类别特征识别 | 第55-57页 |
| 3.2.4 新用户分类 | 第57-58页 |
| 3.2.5 性能评估 | 第58-65页 |
| 3.3 本章小结 | 第65-67页 |
| 第四章 基于多源异构数据的用电行为关联分析方法 | 第67-91页 |
| 4.1 用电行为与多源因素典型相关分析 | 第68-79页 |
| 4.1.1 问题定义与建模 | 第69-71页 |
| 4.1.2 多变量数据聚类分组 | 第71-72页 |
| 4.1.3 细粒度相关性分析 | 第72-78页 |
| 4.1.4 复杂度分析 | 第78-79页 |
| 4.2 性能评估 | 第79-90页 |
| 4.2.1 数据集 | 第79-80页 |
| 4.2.2 性能指标 | 第80页 |
| 4.2.3 对比方法 | 第80-81页 |
| 4.2.4 实验结果 | 第81-90页 |
| 4.3 本章小结 | 第90-91页 |
| 第五章 面向动态用电数据的用电行为演化分析方法 | 第91-110页 |
| 5.1 用电行为增量学习 | 第92-99页 |
| 5.1.1 问题定义与建模 | 第92-93页 |
| 5.1.2 增量聚类模型 | 第93-96页 |
| 5.1.3 概率策略优化 | 第96页 |
| 5.1.4 参数更新与模型一般化 | 第96-98页 |
| 5.1.5 复杂度分析 | 第98-99页 |
| 5.2 性能评估 | 第99-109页 |
| 5.2.1 数据集 | 第99页 |
| 5.2.2 性能指标 | 第99-101页 |
| 5.2.3 对比方法 | 第101页 |
| 5.2.4 实验结果 | 第101-109页 |
| 5.3 本章小结 | 第109-110页 |
| 第六章 结束语 | 第110-113页 |
| 6.1 工作总结 | 第110-112页 |
| 6.2 未来工作 | 第112-113页 |
| 参考文献 | 第113-119页 |
| 致谢 | 第119-121页 |
| 攻读博士学位期间发表的学术论文目录 | 第121-122页 |
| 攻读博士学位期间参与项目 | 第122页 |