| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 短期负荷预测特性概述 | 第11页 |
| 1.2 短期负荷预测的意义 | 第11-14页 |
| 1.2.1 短期负荷预测重要的原因 | 第11-12页 |
| 1.2.2 短期负荷预测的意义 | 第12-14页 |
| 1.3 国内外研究动态和趋势 | 第14-19页 |
| 1.3.1 电力系统负荷预测的传统方法 | 第14-15页 |
| 1.3.2 电力系统负荷预测的现代方法 | 第15-19页 |
| 1.4 组合预测方法的优点以及选择组合预测方法面临的问题 | 第19-21页 |
| 1.4.1 组合预测方法的优点 | 第19-20页 |
| 1.4.2 选择组合预测方法面临的问题 | 第20-21页 |
| 1.5 论文的主要工作及研究意义 | 第21-23页 |
| 第2章 电力负荷预测的相关理论及实现方法 | 第23-29页 |
| 2.1 负荷预测的基本原则和要求 | 第23-26页 |
| 2.1.1 负荷预测的一般原理 | 第23页 |
| 2.1.2 负荷预测的基本原则 | 第23-24页 |
| 2.1.3 负荷预测的基本要求 | 第24-25页 |
| 2.1.4 负荷预测的步骤 | 第25-26页 |
| 2.2 数据挖掘理论及实现方法 | 第26-28页 |
| 2.2.1 数据挖掘综述 | 第26-28页 |
| 2.2.2 数据挖掘方法 | 第28页 |
| 2.2.3 数据挖掘工具及软件 | 第28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 数据挖掘和神经网络相结合的短期负荷预测 | 第29-47页 |
| 3.1 神经网络基本理论 | 第29-34页 |
| 3.1.1 人工神经网络的基本特征 | 第29-30页 |
| 3.1.2 BP神经网络 | 第30-34页 |
| 3.2 短期负荷预测的影响因素 | 第34-36页 |
| 3.2.1 负荷的星期周期性因素与预测模型 | 第34页 |
| 3.2.2 负荷的季节周期性因素与预测模型 | 第34-35页 |
| 3.2.3 节假日对负荷预测的影响 | 第35页 |
| 3.2.4 气象因素对负荷预测的影响 | 第35-36页 |
| 3.2.5 停电检修、重大活动对负荷预测的影响 | 第36页 |
| 3.3 电网负荷数据的预处理 | 第36-41页 |
| 3.3.1 异常数据的筛选 | 第36-39页 |
| 3.3.2 特征属性的选择 | 第39-41页 |
| 3.3.3 数据样本的归一化 | 第41页 |
| 3.4 算例分析 | 第41-45页 |
| 3.4.1 输入变量的选择 | 第42页 |
| 3.4.2 数据的量化标准 | 第42页 |
| 3.4.3 特征选择结果 | 第42-43页 |
| 3.4.4 负荷预测结果 | 第43-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 聚类分析和支持向量机相结合的短期负荷预测 | 第47-59页 |
| 4.1 支持向量机 | 第47-51页 |
| 4.1.1 支持向量机理论基础 | 第47-49页 |
| 4.1.2 支持向量回归算法 | 第49-50页 |
| 4.1.3 支持向量机核函数及参数分析 | 第50-51页 |
| 4.2 数据挖掘聚类算法的实现 | 第51-55页 |
| 4.2.1 聚类分析概述 | 第51-53页 |
| 4.2.2 K-Means算法流程 | 第53-55页 |
| 4.2.3 聚类结果 | 第55页 |
| 4.3 算例分析 | 第55-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 组合预测 | 第59-69页 |
| 5.1 组合预测综述 | 第59-62页 |
| 5.1.1 组合预测的概念 | 第59-60页 |
| 5.1.2 理论分析 | 第60-61页 |
| 5.1.3 组合预测的意义 | 第61-62页 |
| 5.2 运用组合预测模型应考虑的问题 | 第62-65页 |
| 5.2.1 参加组合的单项模型的选择 | 第62-63页 |
| 5.2.2 单项预测模型数目的选择问题 | 第63页 |
| 5.2.3 求解权重方法的选择问题 | 第63-65页 |
| 5.3 算例分析 | 第65-67页 |
| 5.4 本章小结 | 第67-69页 |
| 第6章 结论和展望 | 第69-71页 |
| 6.1 本文工作重点 | 第69页 |
| 6.2 后续研究工作 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |