| 第一章 绪论 | 第1-15页 |
| ·蚁群优化算法的重要特征 | 第7-8页 |
| ·蚁群优化算法的应用概述 | 第8-14页 |
| ·基于 ACOA 的静态组合优化问题 | 第8-10页 |
| ·基于 ACOA 的动态组合优化问题 | 第10页 |
| ·基于 ACOA 组合优化类同问题 | 第10-11页 |
| ·基于 ACOA 的聚类问题 | 第11-12页 |
| ·ACOA 在电力系统中的应用 | 第12-14页 |
| ·本文的主要工作 | 第14-15页 |
| 第二章 基于蚁群优化算法的聚类原理 | 第15-27页 |
| ·数据挖掘技术的基本知识 | 第15-19页 |
| ·数据挖掘的基本概念 | 第15-16页 |
| ·基于数据挖掘的知识模型 | 第16-17页 |
| ·支持数据挖掘的方法 | 第17-19页 |
| ·聚类的基本原理和方法 | 第19-23页 |
| ·聚类原理的基本知识 | 第20-22页 |
| ·常用的聚类算法 | 第22-23页 |
| ·基于蚁群优化算法的聚类原理 | 第23-27页 |
| ·蚂蚁的群体行为及信息系统 | 第23-24页 |
| ·蚁群优化算法基本原理 | 第24页 |
| ·基于蚁群优化算法的数据序列的聚类分析 | 第24-27页 |
| 第三章 基于蚁群优化算法的电力系统负荷序列聚类分析 | 第27-41页 |
| ·电力负荷序列的聚类方法概述 | 第27-33页 |
| ·负荷序列聚类分析的必要性 | 第27-29页 |
| ·负荷分析中常用的聚类方法 | 第29-33页 |
| ·基于蚁群优化算法的电力系统负荷序列的聚类分析 | 第33-41页 |
| ·ACOA 和 KNN 聚类宏观性能 | 第33-35页 |
| ·ACOA 和 KNN 聚类微观分析 | 第35-40页 |
| ·结论 | 第40-41页 |
| 第四章 基于蚁群优化算法的高压输电系统的故障类型识别 | 第41-49页 |
| ·故障类型识别的必要性 | 第41-42页 |
| ·故障类型识别的方法概述 | 第42-43页 |
| ·基于蚁群优化算法的故障类型识别 | 第43-48页 |
| ·故障模式的特征向量的提取 | 第43-44页 |
| ·形成故障模式的聚类样本 | 第44-45页 |
| ·蚁群优化算法聚类结果 | 第45-46页 |
| ·故障类型识别(测试) | 第46页 |
| ·聚类性能评估 | 第46-48页 |
| ·结论 | 第48-49页 |
| 第五章 结论 | 第49-51页 |
| ·基于ACOA对电力负荷聚类和输电线故障模式识别的可行性 | 第49页 |
| ·本论文主要成果 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 发表论文和参加科研情况说明 | 第55-56页 |
| 致谢 | 第56页 |
