| 致谢 | 第3-4页 |
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 变量注释表 | 第14-15页 |
| 1 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 微网短期负荷预测研究现状 | 第16-19页 |
| 1.3 数据挖掘技术在负荷预测中的应用现状 | 第19-21页 |
| 1.4 本文研究内容及章节安排 | 第21-23页 |
| 2 微网负荷预测概述 | 第23-31页 |
| 2.1 微网负荷基本概念 | 第23页 |
| 2.2 微网负荷特点 | 第23-25页 |
| 2.3 微网负荷影响因素分析 | 第25-28页 |
| 2.4 微网负荷基本数学模型分析 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于数据挖掘技术的微网负荷预测样本数据处理 | 第31-49页 |
| 3.1 数据挖掘过程及采用的技术 | 第31-32页 |
| 3.2 粗糙集理论概述 | 第32-34页 |
| 3.3 基于属性依赖度的属性约简算法 | 第34-38页 |
| 3.4 微网负荷预测模型输入参数约简 | 第38-43页 |
| 3.5 聚类分析概述 | 第43-44页 |
| 3.6 样本数据模糊聚类处理 | 第44-48页 |
| 3.7 本章小结 | 第48-49页 |
| 4 基于多模型神经网络的负荷预测模型构建 | 第49-63页 |
| 4.1 神经网络概述 | 第49-52页 |
| 4.2 多模型神经网络预测基本原理 | 第52-54页 |
| 4.3 多模型BP网络负荷预测模型构建 | 第54-58页 |
| 4.4 仿真结果及分析 | 第58-62页 |
| 4.5 本章小结 | 第62-63页 |
| 5 基于GSA算法优化的多模型网络预测模型构建 | 第63-82页 |
| 5.1 遗传算法概述 | 第63-66页 |
| 5.2 模拟退火算法概述 | 第66-68页 |
| 5.3 基于GSA算法优化的多模型BP神经网络预测模型构建 | 第68-70页 |
| 5.4 仿真结果及分析 | 第70-75页 |
| 5.5 考虑实时电价因素的微网短期负荷预测修正及仿真验证 | 第75-81页 |
| 5.6 本章小结 | 第81-82页 |
| 6 总结与展望 | 第82-84页 |
| 6.1 总结 | 第82页 |
| 6.2 展望 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 作者简历 | 第88-90页 |
| 学位论文数据集 | 第90页 |