| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 课题研究现状 | 第10-13页 |
| 1.2.1 聚类算法研究现状 | 第10-11页 |
| 1.2.2 光伏功率预测研究现状 | 第11-13页 |
| 1.3 本文的研究内容及组织结构 | 第13-15页 |
| 第二章 背景知识介绍 | 第15-25页 |
| 2.1 引言 | 第15页 |
| 2.2 粗糙集理论简介 | 第15-16页 |
| 2.3 聚类算法 | 第16-18页 |
| 2.3.1 聚类算法概述 | 第16页 |
| 2.3.2 聚类算法的分类 | 第16-18页 |
| 2.4 K-means算法 | 第18-19页 |
| 2.4.1 K-means算法基本思想 | 第18页 |
| 2.4.2 K-means算法步骤 | 第18-19页 |
| 2.5 粗糙K-means相关算法介绍 | 第19-24页 |
| 2.5.1 Lingras粗糙K-means算法 | 第19-21页 |
| 2.5.2 Peters粗糙K-means算法 | 第21页 |
| 2.5.3 π粗糙K-means算法 | 第21-23页 |
| 2.5.4 粗糙-模糊K-means算法 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于空间距离自适应相对权重度量的粗糙K-means算法 | 第25-40页 |
| 3.1 引言 | 第25页 |
| 3.2 簇内对象空间分布情况分析 | 第25-27页 |
| 3.3 基于空间距离自适应相对权重度量 | 第27-29页 |
| 3.4 基于空间距离自适应相对权重度量的粗糙K-means算法 | 第29-30页 |
| 3.5 仿真分析 | 第30-39页 |
| 3.5.1 评价指标 | 第30-31页 |
| 3.5.2 仿真环境和实验数据 | 第31-32页 |
| 3.5.3 聚类效果比较 | 第32-36页 |
| 3.5.4 DB和Dunn指标比较 | 第36-37页 |
| 3.5.5 运行时间比较 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于邻近点空间分布自适应权重度量的粗糙K-means算法 | 第40-48页 |
| 4.1 引言 | 第40页 |
| 4.2 边界对象邻近点空间分布情况分析 | 第40-41页 |
| 4.3 基于边界对象邻近点空间分布自适应权重度量 | 第41-43页 |
| 4.4 基于邻近点空间分布自适应权重度量的粗糙K-means算法 | 第43-45页 |
| 4.5 仿真分析 | 第45-47页 |
| 4.5.1 仿真环境和实验对象 | 第45页 |
| 4.5.2 结果分析 | 第45-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 粗糙K-means算法在光伏功率预测数据处理中的应用 | 第48-59页 |
| 5.1 引言 | 第48页 |
| 5.2 神经网络模型 | 第48-49页 |
| 5.3 基于粗糙K-means聚类预处理的光伏功率神经网络预测模型 | 第49-52页 |
| 5.3.1 光伏预测数据样本的粗糙K-means聚类分析 | 第49-51页 |
| 5.3.2 光伏功率神经预测模型 | 第51-52页 |
| 5.4 光伏功率预测仿真结果对比分析 | 第52-58页 |
| 5.4.1 评价指标 | 第52-53页 |
| 5.4.2 光伏样本粗糙K-means聚类预处理 | 第53页 |
| 5.4.3 预测结果比较 | 第53-55页 |
| 5.4.4 误差比较 | 第55-57页 |
| 5.4.5 运行时间比较 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 论文总结 | 第59-60页 |
| 6.2 论文展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第64-65页 |
| 附录2 攻读硕士学位期间申请的专利 | 第65-66页 |
| 致谢 | 第66页 |
