| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-10页 |
| 1 绪论 | 第10-22页 |
| 1．1 短期负荷预测的重要意义 | 第10-11页 |
| 1．2 短期负荷预测研究现状及发展趋势 | 第11-19页 |
| 1．2．1 影响因素 | 第11页 |
| 1．2．2 常用的负荷预测方法 | 第11-16页 |
| 1．2．3 短期负荷预测的研究现状 | 第16-19页 |
| 1．3 目前在电力系统短期负荷预测中未解决的主要问题 | 第19-20页 |
| 1．4 本文的主要工作 | 第20-22页 |
| 2 负荷数据的预处理方法研究 | 第22-52页 |
| 2．1 引言 | 第22页 |
| 2．2 数据挖掘对脏数据辩识及清洗 | 第22-43页 |
| 2．2．1 负荷数据的聚类挖掘算法 | 第23-33页 |
| 2．2．2 负荷脏数的模式分类 | 第33-37页 |
| 2．2．3 脏数据辩识及修正模型 | 第37-38页 |
| 2．2．4 脏数据清洗的实例分析 | 第38-43页 |
| 2．3 负荷数据的主元分析 | 第43-50页 |
| 2．3．1 主元分析的原理及方法 | 第43-45页 |
| 2．3．2 对主元法的改进 | 第45页 |
| 2．3．3 负荷数据的主元提取 | 第45-50页 |
| 2．4 小结 | 第50-52页 |
| 3 负荷特性分析及相关因素处理的研究 | 第52-78页 |
| 3．1 引言 | 第52-53页 |
| 3．2 电力负荷时间序列内在特性的混沌分析 | 第53-63页 |
| 3．2．1 混沌相关概念及特点 | 第53-54页 |
| 3．2．2 电力负荷时间序列的混沌特性分析 | 第54-63页 |
| 3．3 电力负荷时间序列外在特性分析 | 第63-75页 |
| 3．3．1 综合气象指数 | 第64-67页 |
| 3．3．2 电力负荷外在特性分析及计算 | 第67-75页 |
| 3．4 小结 | 第75-78页 |
| 4 基于粗糙集的电力负荷预测模型输入参数确定的方法 | 第78-98页 |
| 4．1 引言 | 第78页 |
| 4．2 粗糙集理论的一些基本概念 | 第78-82页 |
| 4．2．1 集合 | 第78-79页 |
| 4．2．2 知识 | 第79页 |
| 4．2．3 粗糙集 | 第79-81页 |
| 4．2．4 约简与核 | 第81-82页 |
| 4．3 基于区分矩阵的属性约简算法RADM | 第82-84页 |
| 4．4 属性优先级启发式约简算法RAPHF | 第84-86页 |
| 4．5 基于RAPHF的增量约简算法RAPHF-1 | 第86-88页 |
| 4．6 对电力短期负荷预测模型输入参数的挖掘 | 第88-96页 |
| 4．7 小结 | 第96-98页 |
| 5 基于数据挖掘的电力短期负荷预测模型及其算法 | 第98-132页 |
| 5．1 引言 | 第98-99页 |
| 5．2 以前向人工神经网络对工作日负荷预测 | 第99-122页 |
| 5．2．1 多层前向网络认知过程及认识能力 | 第99-101页 |
| 5．2．2 对反向传播学习算法的分析及改进 | 第101-108页 |
| 5．2．3 嵌入混沌序列的混合优化学习算法 | 第108-114页 |
| 5．2．4 工作日负荷的神经网络预测模型的建立 | 第114-122页 |
| 5．3 重大节假日电力负荷预测模型的建立 | 第122-130页 |
| 5．3．1 灰色预测模型的基本思想 | 第123-124页 |
| 5．3．2 节假日灰色预测模型的改进 | 第124-127页 |
| 5．3．3 模糊逻辑对灰色预测结果的修正 | 第127-130页 |
| 5．4 小结 | 第130-132页 |
| 6 结论与展望 | 第132-134页 |
| 6．1 结论 | 第132页 |
| 6．2 未来工作展望 | 第132-134页 |
| 致谢 | 第134-136页 |
| 参考文献 | 第136-144页 |
| 附： | 第144-146页 |
| 1．作者在攻读博士学位期间发表的论文目录 | 第144页 |
| 2．作者在攻读博士学位期间参加的科研项目情况 | 第144-146页 |
