数据挖掘技术在电力负荷预测系统中应用的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-24页 |
| ·负荷预测综述 | 第9-17页 |
| ·负荷预测的概念和分类 | 第9-13页 |
| ·负荷预测的原理和受影响因素 | 第13-14页 |
| ·负荷预测的历史和发展方向 | 第14页 |
| ·负荷预测的研究历史和现状 | 第14-17页 |
| ·负荷预测的意义 | 第17页 |
| ·数据挖掘综述 | 第17-22页 |
| ·数据挖掘的概念 | 第17-18页 |
| ·数据挖掘与传统的统计的区别 | 第18页 |
| ·数据挖掘的基本方法 | 第18-20页 |
| ·数据挖掘的用途 | 第20-22页 |
| ·数据仓库与数据挖掘 | 第22页 |
| ·负荷预测与数据挖掘的关系 | 第22页 |
| ·选题的意义 | 第22-24页 |
| 2 基于数据挖掘的负荷预测系统架构的提出 | 第24-27页 |
| ·现有的负荷预测系统架构 | 第24页 |
| ·基于数据挖掘的负荷预测系统架构 | 第24-25页 |
| ·新型架构的特点 | 第25-27页 |
| 3 数据挖掘技术的选择与改进 | 第27-43页 |
| ·人工神经网络与 BP 算法的改进 | 第27-35页 |
| ·人工神经网络概述 | 第27-29页 |
| ·人工神经网络的发展 | 第29页 |
| ·人工神经网络的应用 | 第29-30页 |
| ·BP 神经网络及算法 | 第30-34页 |
| ·BP 神经网络算法的缺陷 | 第34页 |
| ·用“批处理”改进 BP 算法 | 第34-35页 |
| ·遗传算法及其改进 | 第35-43页 |
| ·遗传算法概述 | 第35页 |
| ·遗传算法的重要组成部分 | 第35-37页 |
| ·遗传算法主要应用 | 第37页 |
| ·遗传算法实现的主要步骤 | 第37-38页 |
| ·遗传算法的缺陷 | 第38-40页 |
| ·遗传算法的改进 | 第40-43页 |
| 4 基于数据挖掘技术的预测系统的实现 | 第43-51页 |
| ·网络模型的建立 | 第43-44页 |
| ·遗传算法与 BP 算法结合改进 BP 神经网络 | 第44-46页 |
| ·遗传算法与 BP 算法结合的基本思想 | 第44-45页 |
| ·算法的实现步骤 | 第45-46页 |
| ·改进后的网络算法的特点 | 第46页 |
| ·算法相关重要参数的设置 | 第46页 |
| ·模糊理论在网络输入输出的应用 | 第46-48页 |
| ·数据挖掘模块处理流程图 | 第48-49页 |
| ·基于 J2EE 平台负荷系统软件的实现 | 第49-51页 |
| ·开发平台选择 | 第49页 |
| ·系统运行环境 | 第49页 |
| ·系统具体模块组成 | 第49-51页 |
| 5 北京电力局实际预测结果对比 | 第51-60页 |
| ·2006 年春节期间的预测结果 | 第51-53页 |
| ·基于数据挖掘系统的预测结果 | 第51-52页 |
| ·基于时间序列系统的预测结果 | 第52-53页 |
| ·2006 年夏秋季的预测结果 | 第53-55页 |
| ·基于数据挖掘系统的预测结果 | 第53-54页 |
| ·基于时间序列系统的预测结果 | 第54-55页 |
| ·2006 年劳动节的预测结果 | 第55-57页 |
| ·基于数据挖掘系统的预测结果 | 第55-56页 |
| ·基于时间序列系统的预测结果 | 第56-57页 |
| ·2006 年典型工作日的预测结果 | 第57-59页 |
| ·基于数据挖掘系统的预测结果 | 第57-58页 |
| ·基于时间序列系统的预测结果 | 第58-59页 |
| ·试验果总结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| ·总结 | 第60页 |
| ·展望 | 第60-62页 |
| 攻读硕士期间发表的论文 | 第62-63页 |
| 攻读硕士期间参与科研项目 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-67页 |
