| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 燃气负荷预测的特点分析及待解决的问题 | 第11-13页 |
| 1.2.1 燃气负荷预测的特点 | 第11-12页 |
| 1.2.2 存在的问题 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-14页 |
| 1.4 本文主要研究内容及论文结构 | 第14-17页 |
| 第2章 传统方法介绍 | 第17-27页 |
| 2.1 燃气负荷预测概述 | 第17页 |
| 2.2 燃气负荷预测的分类 | 第17-18页 |
| 2.3 常见的燃气负荷预测模型 | 第18-22页 |
| 2.3.1 回归预测模型 | 第18-20页 |
| 2.3.2 支持向量机模型 | 第20-21页 |
| 2.3.3 神经网络模型 | 第21-22页 |
| 2.3.4 组合预测方法 | 第22页 |
| 2.4 常见的聚类方法 | 第22-26页 |
| 2.4.1 K-means聚类算法 | 第22-23页 |
| 2.4.2 层次聚类算法 | 第23-24页 |
| 2.4.3 SOM聚类算法 | 第24-25页 |
| 2.4.4 FCM聚类算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 燃气数据特征分析及预处理 | 第27-35页 |
| 3.1 影响燃气负荷的相关因素分析 | 第27-30页 |
| 3.1.1 温度对燃气负荷的影响 | 第27-28页 |
| 3.1.2 日期类型对燃气负荷的影响 | 第28-29页 |
| 3.1.3 历史燃气负荷量对燃气负荷的影响 | 第29-30页 |
| 3.2 数据预处理 | 第30-33页 |
| 3.2.1 坏数据处理 | 第31页 |
| 3.2.2 小波去噪处理 | 第31-33页 |
| 3.2.3 数据归一化处理 | 第33页 |
| 3.3 本章小结 | 第33-35页 |
| 第4章 基于智能网格分类的预测模型 | 第35-46页 |
| 4.1 确定输入变量 | 第35-36页 |
| 4.2 智能网格分类算法（SGC, Smart Grid Classification） | 第36-39页 |
| 4.3 基于智能网格分类的传统预测方法验证实验 | 第39-45页 |
| 4.3.1 工作日和周末 | 第39-45页 |
| 4.3.2 重大节假日 | 第45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 基于智能网格分类的模糊神经网络验证实验 | 第46-59页 |
| 5.1 模糊神经网络理论基础 | 第46-47页 |
| 5.2 实验过程 | 第47页 |
| 5.3 模糊神经网络实验结果 | 第47-49页 |
| 5.4 基于智能网格分类的模糊神经网络参数寻优验证试验 | 第49-56页 |
| 5.4.1 基于交叉验证法的参数寻优 | 第49-51页 |
| 5.4.2 基于遗传算法的参数寻优 | 第51-54页 |
| 5.4.3 基于模拟退火学习算法的参数寻优 | 第54-56页 |
| 5.5 各种模型预测结果对比分析 | 第56-57页 |
| 5.6 本章小结 | 第57-59页 |
| 第6章 基于智能网格分类算法的实现 | 第59-63页 |
| 第7章 结论与展望 | 第63-65页 |
| 7.1 结论 | 第63-64页 |
| 7.2 展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |