| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题的研究背景及研究意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 城市负荷预测方法的发展 | 第13-15页 |
| 1.2.2 现有的配电网负荷预测技术 | 第15-16页 |
| 1.2.3 智能电表用电数据分析及其用于负荷预测的研究现状 | 第16-17页 |
| 1.3 本文的主要研究内容 | 第17-18页 |
| 第2章 负荷特性分析与原始特征集合构建 | 第18-25页 |
| 2.1 东北某市负荷特性分析 | 第18-19页 |
| 2.1.1 负荷的日周期性分析 | 第18-19页 |
| 2.1.2 负荷的周周期性分析 | 第19页 |
| 2.1.3 负荷的年周期性分析 | 第19页 |
| 2.2 爱尔兰负荷特性分析 | 第19-23页 |
| 2.3 原始特征集合的构建 | 第23-24页 |
| 2.3.1 东北某市负荷数据的原始特征集合构建 | 第23-24页 |
| 2.3.2 爱尔兰智能电表负荷数据的原始特征集合构建 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于随机森林的城市负荷特征选择与负荷预测 | 第25-43页 |
| 3.1 随机森林 | 第25-27页 |
| 3.1.1 决策树 | 第25页 |
| 3.1.2 随机森林 | 第25-27页 |
| 3.2 随机森林学习过程 | 第27-28页 |
| 3.3 基于优化的序列后向搜索策略和随机森林的负荷特征选择 | 第28-30页 |
| 3.3.1 基于随机森林的特征重要度分析 | 第28页 |
| 3.3.2 基于优化的序列后向搜索策略的负荷特征选择 | 第28-30页 |
| 3.4 实验结果以及相关分析 | 第30-42页 |
| 3.4.1 实验数据集 | 第30-31页 |
| 3.4.2 基于PI值的特征选择 | 第31-37页 |
| 3.4.3 不同预测模型的预测精度比较 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于智能电表用户特征重要度聚类的配网负荷预测 | 第43-55页 |
| 4.1 实验数据集 | 第43页 |
| 4.2 基于PI值的智能电表用电用户的聚类分析 | 第43-46页 |
| 4.2.1 聚类算法 | 第44-45页 |
| 4.2.2 基于PI值的用电用户聚类 | 第45-46页 |
| 4.3 实验结果分析 | 第46-53页 |
| 4.3.1 基于PI值的用电用户聚类 | 第46-48页 |
| 4.3.2 特征选择结果 | 第48-51页 |
| 4.3.3 预测结果比较 | 第51-53页 |
| 4.4 本章小结 | 第53-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-61页 |
| 致谢 | 第61页 |
