| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 第一章 绪论 | 第9-18页 |
| 1．1 电力系统负荷预测概述 | 第9-12页 |
| 1．1．1 影响因素 | 第10页 |
| 1．1．2 预测方法的研究现状 | 第10-12页 |
| 1．2 软计算方法 | 第12-13页 |
| 1．2．1 人工神经网络 | 第12页 |
| 1．2．2 模糊系统 | 第12-13页 |
| 1．2．3 遗传算法 | 第13页 |
| 1．3 数据挖掘 | 第13-17页 |
| 1．3．1 数据挖掘的概念 | 第14-16页 |
| 1．3．2 数据挖掘的分类 | 第16页 |
| 1．3．3 数据挖掘的一些问题及需要做的工作 | 第16-17页 |
| 1．4 本文的主要工作 | 第17-18页 |
| 第二章 软计算方法 | 第18-33页 |
| 2．1 人工神经网络 | 第18-22页 |
| 2．1．1 神经网络的一般化模型 | 第18-20页 |
| 2．1．2 神经网络的基本学习规则 | 第20-22页 |
| 2．1．3 主要的几种神经网络 | 第22页 |
| 2．2 模糊推理系统 | 第22-32页 |
| 2．2．1 模糊集合及其运算 | 第22-26页 |
| 2．2．2 模糊关系 | 第26-27页 |
| 2．2．3 模糊逻辑与模糊推理系统 | 第27-32页 |
| 2．3 软计算中的协作和融合 | 第32-33页 |
| 第三章 数据挖掘 | 第33-51页 |
| 3．1 分类方法 | 第34-44页 |
| 3．1．1 决策树分类技术 | 第35-43页 |
| 3．1．1．1 树生长算法 | 第37-41页 |
| 3．1．1．2 树剪枝算法 | 第41-43页 |
| 3．1．2 反向传播神经网络分类 | 第43-44页 |
| 3．1．3 其它分类算法 | 第44页 |
| 3．2 聚类分析 | 第44-51页 |
| 3．2．1 聚类方法 | 第45-50页 |
| 3．2．2 聚类分析的发展趋势 | 第50-51页 |
| 第四章 电力负荷数据中的坏数据辨识与调整 | 第51-73页 |
| 4．1 负荷坏数据辨识与调整的基本思想 | 第51-52页 |
| 4．2 负荷曲线抗差聚类 | 第52-60页 |
| 4．2．1 简单的竞争学习 | 第53-55页 |
| 4．2．2 竞争学习的价值函数与收敛性 | 第55-56页 |
| 4．2．3 自组织特征映射与Kohonen算法 | 第56-59页 |
| 4．2．4 采用Kohonen网实现负荷曲线抗差聚类 | 第59-60页 |
| 4．3 含有坏数据的曲线模式的分类 | 第60-68页 |
| 4．3．1 BP算法基本计算步骤 | 第61-63页 |
| 4．3．2 BP学习算法的改进 | 第63-66页 |
| 4．3．3 非正常曲线模式分类 | 第66-68页 |
| 4．4 坏数据辨识的组合神经网络模型 | 第68-69页 |
| 4．5 基于特征曲线的坏数据的调整 | 第69页 |
| 4．6 实例分析 | 第69-73页 |
| 4．6．1 组合神经网络训练样本集的产生 | 第69-70页 |
| 4．6．2 网络运算及坏数据调整结果 | 第70-73页 |
| 第五章 负荷预测的模糊系统模型 | 第73-93页 |
| 5．1 基于CART算法的模糊推理系统结构辨识 | 第73-78页 |
| 5．1．1 基于局部模型误差指标的树生长算法 | 第74-75页 |
| 5．1．2 代价复杂性测度剪枝算法 | 第75-78页 |
| 5．1．3 确定模糊推理系统的结构 | 第78页 |
| 5．2 基于TSK模型的ANFIS网络 | 第78-82页 |
| 5．2．1 ANFIS网络结构 | 第79-81页 |
| 5．2．2 决策规则模糊化及ANFIS激励强度归一化 | 第81-82页 |
| 5．3 ANFIS参数优化 | 第82-85页 |
| 5．4 负荷预测建模的实例分析 | 第85-93页 |
| 5．4．1 建模过程实例分析 | 第85-88页 |
| 5．4．2 日负荷预测模型效果分析 | 第88-93页 |
| 第六章 结语 | 第93-95页 |
| 参考文献 | 第95-103页 |
| 作者攻读博士学位期间发表的有关学术论文 | 第103-104页 |
| 致谢 | 第104页 |