| 摘要 | 第1页 |
| ABSTRACT | 第3-6页 |
| 第一章 绪论 | 第6-13页 |
| ·选题背景和研究意义 | 第6-8页 |
| ·选题背景 | 第6-7页 |
| ·研究负荷预测问题的意义 | 第7-8页 |
| ·国内外的研究动态 | 第8-11页 |
| ·本文所作的工作和论文主要内容 | 第11-13页 |
| 第二章 电力系统负荷分析 | 第13-22页 |
| ·负荷预测的分类 | 第13-14页 |
| ·负荷预测的原理和特点 | 第14-16页 |
| ·负荷预测的原理 | 第14-15页 |
| ·负荷预测的特点 | 第15-16页 |
| ·负荷预测的内在规律 | 第16-18页 |
| ·电力负荷的周期性 | 第16-18页 |
| ·电力负荷的连续性 | 第18页 |
| ·负荷预测的外在特性 | 第18-21页 |
| ·温度对负荷的影响 | 第19页 |
| ·降雨量对负荷的影响 | 第19-21页 |
| ·节假日对负荷的影响 | 第21页 |
| ·负荷预测的误差分析 | 第21-22页 |
| 第三章 粗糙集的理论基础 | 第22-31页 |
| ·引言 | 第22-23页 |
| ·粗糙集理论概述 | 第22页 |
| ·粗糙集理论的特点 | 第22-23页 |
| ·粗糙集理论的基本概念 | 第23-26页 |
| ·知识的含义 | 第23页 |
| ·信息系统 | 第23页 |
| ·等价关系 | 第23-24页 |
| ·分类 | 第24页 |
| ·集合的近似 | 第24-25页 |
| ·属性的依赖度和重要性 | 第25页 |
| ·逼近精度 | 第25-26页 |
| ·可辨识矩阵 | 第26页 |
| ·知识的化简 | 第26-28页 |
| ·属性的约简 | 第26-27页 |
| ·属性的核 | 第27-28页 |
| ·离散化算法 | 第28-29页 |
| ·离散化问题的描述 | 第28页 |
| ·Semi-Naive Scaler 算法 | 第28-29页 |
| ·属性约简算法 | 第29-31页 |
| 第四章 基于粗糙集的遗传神经网络短期负荷预测方法 | 第31-44页 |
| ·BP 神经网络算法 | 第31-35页 |
| ·BP 神经网络 | 第31-32页 |
| ·BP 算法学习过程 | 第32-33页 |
| ·BP 算法的缺点和改进算法 | 第33-35页 |
| ·遗传算法 | 第35-37页 |
| ·遗传算法的基本思想 | 第35页 |
| ·遗传算法的重要组成部分 | 第35-36页 |
| ·遗传算法在BP 神径网络学习中的应用 | 第36-37页 |
| ·基于粗糙集的遗传神经网络短期负荷预测方法 | 第37-43页 |
| ·预测模型输入量的选取 | 第37-38页 |
| ·网络权值的优化 | 第38-39页 |
| ·利用优化后的BP 网络进行预测 | 第39-40页 |
| ·实例分析 | 第40-43页 |
| ·结论 | 第43-44页 |
| 第五章 基于灰色系统的相关因素敏感模型短期负荷预测方法分析 | 第44-53页 |
| ·灰色系统理论 | 第45-49页 |
| ·灰色系统 | 第45页 |
| ·灰色系统的特点 | 第45-46页 |
| ·灰色预侧模型GM(1,1)的建模过程 | 第46-47页 |
| ·GM(1,1)模型的改进 | 第47-49页 |
| ·基于灰色系统的相关因素敏感模型短期负荷预测方法 | 第49-50页 |
| ·灰色模型新策略的验证分析 | 第50-52页 |
| ·结论 | 第52-53页 |
| 第六章 结论与展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 在学期间发表的学术论文和参加科研情况 | 第59页 |