| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 时序数据研究现状 | 第9-11页 |
| 1.2.2 超短期负荷预测研究现状 | 第11-15页 |
| 1.3 超短期负荷预测的应用 | 第15页 |
| 1.4 论文主要工作与内容安排 | 第15-17页 |
| 第2章 超短期负荷预测分析 | 第17-23页 |
| 2.1 超短期负荷预测 | 第17-19页 |
| 2.1.1 超短期负荷预测特点 | 第17页 |
| 2.1.2 超短期负荷预测理念 | 第17-18页 |
| 2.1.3 超短期负荷预测步骤 | 第18-19页 |
| 2.2 数据预处理 | 第19-23页 |
| 2.2.1 异常数据点 | 第19-20页 |
| 2.2.2 异常数据点的辨识与修正 | 第20-21页 |
| 2.2.3 缺损数据的修补 | 第21页 |
| 2.2.4 采用小波变换进行数据处理 | 第21-23页 |
| 第3章 基于虚拟用户和预测区间的超短期负荷预测模型 | 第23-34页 |
| 3.1 超短期负荷预测问题描述 | 第23页 |
| 3.2 虚拟用户模型 | 第23-28页 |
| 3.2.1 虚拟用户基本概念 | 第24页 |
| 3.2.2 使用FCM算法求解虚拟用户模型 | 第24-27页 |
| 3.2.3 求解虚拟用户负荷量的概率分布 | 第27-28页 |
| 3.3 超短期负荷预测模型 | 第28-30页 |
| 3.3.1 预测算法 | 第28-29页 |
| 3.3.2 预测过程 | 第29-30页 |
| 3.4 模型实验与结果分析 | 第30-33页 |
| 3.4.1 数据样本的来源及特征 | 第30页 |
| 3.4.2 预测精度分析 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 数据流改进的虚拟用户预测模型 | 第34-47页 |
| 4.1 数据流概述 | 第34页 |
| 4.2 数据流聚类 | 第34-39页 |
| 4.2.1 数据结构 | 第35-37页 |
| 4.2.2 窗口模型 | 第37-38页 |
| 4.2.3 异常值检测机制 | 第38-39页 |
| 4.3 基于数据流聚类的超短期负荷预测 | 第39-43页 |
| 4.3.1 预测问题分析 | 第39-40页 |
| 4.3.2 在线步骤 | 第40-42页 |
| 4.3.3 离线步骤 | 第42-43页 |
| 4.4 实验验证 | 第43-45页 |
| 4.5 时间复杂度分析 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 结论与展望 | 第47-49页 |
| 5.1 总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第52-53页 |
| 致谢 | 第53页 |