基于数据挖掘技术的南京地区短期电力负荷预测方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 电力系统负荷预测概述 | 第9-13页 |
| 1.1.1 短期负荷预测的传统方法 | 第10-11页 |
| 1.1.2 短期负荷预测的研究现状 | 第11-13页 |
| 1.2 数据挖掘技术 | 第13-15页 |
| 1.2.1 数据挖掘常用方法 | 第13-15页 |
| 1.2.2 电力系统负荷预测数据挖掘研究现状 | 第15页 |
| 1.3 本文的研究内容 | 第15-17页 |
| 第2章 基于数据挖掘的负荷特征聚类 | 第17-25页 |
| 2.1 聚类分析 | 第17-21页 |
| 2.1.1 几种聚类方法的介绍 | 第17-21页 |
| 2.2 负荷曲线的规律分析及特征量选择 | 第21-25页 |
| 2.2.1 负荷特征分析 | 第21-22页 |
| 2.2.2 负荷特征量选取 | 第22-23页 |
| 2.2.3 基于负荷特征量的负荷模式聚类 | 第23-25页 |
| 第3章 基于数据挖掘和灰色模型的异常数据处理 | 第25-34页 |
| 3.1 数据预处理 | 第25-26页 |
| 3.2 基于数据挖掘的异常数据检测 | 第26页 |
| 3.3 基于灰色理论的异常数据修正 | 第26-33页 |
| 3.3.1 灰色系统理论 | 第26-27页 |
| 3.3.2 灰色序列生成 | 第27-30页 |
| 3.3.3 基于灰色预测模型的异常数据修正算法 | 第30-32页 |
| 3.3.4 数据预处理算例 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 南京地区负荷预测实例分析 | 第34-42页 |
| 4.1 特征参数提取与聚类分析 | 第34-35页 |
| 4.2 异常数据检测与修正 | 第35-37页 |
| 4.2.1 异常数据检测 | 第35-36页 |
| 4.2.2 异常数据修正 | 第36-37页 |
| 4.3 基于人工神经网络的最终负荷预测 | 第37-41页 |
| 4.3.1 神经网络算法 | 第37-39页 |
| 4.3.2 基于BP神经网络的最终负荷预测 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 结论与展望 | 第42-43页 |
| 参考文献 | 第43-47页 |
| 致谢 | 第47-48页 |
| 作者简介 | 第48页 |
