| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 目录 | 第8-11页 |
| 图表目录 | 第11-14页 |
| 表格目录 | 第14-15页 |
| 第一章 绪论 | 第15-34页 |
| ·引言 | 第15-16页 |
| ·电力系统负荷预测概述 | 第16-21页 |
| ·短期负荷预测的发展 | 第16-17页 |
| ·短期负荷预测的传统方法 | 第17-18页 |
| ·短期负荷预测的研究现状 | 第18-21页 |
| ·数据挖掘方法介绍 | 第21-27页 |
| ·数据挖掘常用方法 | 第22-25页 |
| ·数据挖掘方法在电力系统负荷预测中的应用 | 第25-27页 |
| ·本文的工作和内容组织 | 第27-28页 |
| 参考文献 | 第28-34页 |
| 第二章 基于灰色方法的电力负荷数据预处理 | 第34-48页 |
| ·引言 | 第34-35页 |
| ·GM(1，1)模型 | 第35-40页 |
| ·数列预测的基本方法 | 第35-37页 |
| ·误差检验 | 第37-38页 |
| ·负荷灰色建模技术的改进 | 第38-40页 |
| ·基于灰色方法的缺失值处理 | 第40-42页 |
| ·灰色插值模型 | 第40-41页 |
| ·插值组合优化模型 | 第41-42页 |
| ·组合插值预测缺失值的算例分析 | 第42-45页 |
| ·结论 | 第45页 |
| 参考文献 | 第45-48页 |
| 第三章 基于数据挖掘方法的电力负荷预测模型输入参数的确定 | 第48-69页 |
| ·引言 | 第48-49页 |
| ·粗糙集理论基础 | 第49-55页 |
| ·经典粗糙集理论 | 第49-51页 |
| ·模糊粗糙集 | 第51-52页 |
| ·模糊粗糙集属性约简示例 | 第52-55页 |
| ·互信息理论 | 第55-56页 |
| ·基于智能属性选择的神经网络负荷预测方法 | 第56-59页 |
| ·负荷预测的神经网络模型 | 第56-57页 |
| ·Levenberg-Marquardt神经网络学习算法 | 第57-58页 |
| ·BP网络输入变量的确定 | 第58-59页 |
| ·计算实例分析 | 第59-65页 |
| ·结论 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 第四章 基于综合数据挖掘方法的电力系统负荷预测模型 | 第69-92页 |
| ·引言 | 第69-70页 |
| ·理论基础 | 第70-76页 |
| ·电力负荷变化规律 | 第70-72页 |
| ·范例推理概述 | 第72-74页 |
| ·自组织映射 | 第74-76页 |
| ·基于混合知识推理的短期负荷预测 | 第76-81页 |
| ·基于互信息理论的范例表示方法 | 第76-79页 |
| ·范例的检索、匹配 | 第79-80页 |
| ·范例的重用 | 第80页 |
| ·修正 | 第80-81页 |
| ·新范例的存储 | 第81页 |
| ·实例分析 | 第81-89页 |
| ·结论 | 第89页 |
| 参考文献 | 第89-92页 |
| 第五章 电力负荷模式分析 | 第92-103页 |
| ·概述 | 第92-93页 |
| ·负荷数据预处理 | 第93-94页 |
| ·数据获取 | 第93页 |
| ·数据预处理 | 第93页 |
| ·单位日负荷曲线 | 第93页 |
| ·数据归一化 | 第93-94页 |
| ·负荷数据聚类分析 | 第94-95页 |
| ·几种聚类方法的介绍 | 第94页 |
| ·聚类方法的评价指标 | 第94-95页 |
| ·聚类结果分析 | 第95-99页 |
| ·规则推理 | 第99-101页 |
| ·结论 | 第101页 |
| 参考文献 | 第101-103页 |
| 第六章 基于多Agent的变电站负荷预测模型 | 第103-125页 |
| ·引言 | 第103页 |
| ·Agent与多Agent系统 | 第103-107页 |
| ·Agent概述 | 第104-105页 |
| ·多Agent系统概述 | 第105-107页 |
| ·多Ageni变电站负荷预测模型 | 第107-116页 |
| ·预测实例分析 | 第116-122页 |
| ·结论 | 第122页 |
| 参考文献 | 第122-125页 |
| 第七章 结论与展望 | 第125-127页 |
| 攻读博士学位期间发表的有关学术论文 | 第127-129页 |
| 致谢 | 第129页 |
