| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-12页 |
| 第一章 绪论 | 第12-31页 |
| ·课题背景和意义 | 第12-13页 |
| ·分布式数据仓库和数据挖掘的国内外研究动向 | 第13-21页 |
| ·数据仓库 | 第13-14页 |
| ·数据挖掘 | 第14-18页 |
| ·分布式数据挖掘 | 第18-19页 |
| ·分布式数据仓库和数据挖掘在电力系统中的应用 | 第19-21页 |
| ·电力负荷分析与预测的国内外研究现状 | 第21-30页 |
| ·论文的主要工作 | 第30-31页 |
| 第二章 电力负荷及相关数据的分布式数据仓库研究 | 第31-57页 |
| ·数据仓库的概念和特点 | 第31页 |
| ·数据仓库系统的体系结构 | 第31-35页 |
| ·多维结构和企业信息工厂结构结合的体系结构 | 第31-32页 |
| ·数据获取层 | 第32-33页 |
| ·数据存储层 | 第33-34页 |
| ·数据访问层 | 第34页 |
| ·元数据 | 第34-35页 |
| ·数据仓库系统的开发实施 | 第35-36页 |
| ·三种常用的数据仓库开发策略 | 第35-36页 |
| ·混合数据仓库开发方法 | 第36页 |
| ·MS SQL Server 2005 数据仓库平台 | 第36-38页 |
| ·微软数据仓库平台特点 | 第36-37页 |
| ·OLAP 数据仓库组件 | 第37-38页 |
| ·支持负荷分析与预测的数据仓库模型的研究 | 第38-42页 |
| ·数据仓库的数据模型 | 第38-39页 |
| ·星型负荷气象数据仓库设计 | 第39-41页 |
| ·负荷气象数据仓库星型模型 | 第41-42页 |
| ·用于负荷分析与预测的分布式数据仓库设计 | 第42-49页 |
| ·分布式数据仓库技术 | 第42-43页 |
| ·分布式负荷气象数据仓库的应用背景 | 第43-44页 |
| ·分布式负荷气象数据仓库的粒度设计 | 第44-45页 |
| ·分布式负荷气象数据仓库的结构设计 | 第45-48页 |
| ·分布式负荷数据仓库数据的提取与刷新 | 第48-49页 |
| ·分布式负荷气象数据仓库的 OLAP 系统设计 | 第49-56页 |
| ·数据仓库和OLAP 系统的关系 | 第49页 |
| ·多维模型 | 第49-51页 |
| ·OLAP 的主要功能 | 第51-53页 |
| ·OLAP 系统的应用 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第三章 基于分布式数据仓库的负荷与气象敏感度分析 | 第57-74页 |
| ·概述 | 第57页 |
| ·负荷气温敏感区域划分 | 第57-58页 |
| ·小波去噪原理 | 第58-60页 |
| ·极值剔除方法 | 第60页 |
| ·随机噪声去除方法 | 第60页 |
| ·气象因素的量化 | 第60-62页 |
| ·分析数据选取 | 第62-64页 |
| ·关联度计算 | 第64-65页 |
| ·敏感度分析 | 第65-67页 |
| ·负荷对气象指数的灵敏度计算 | 第65-66页 |
| ·灰色GM(1,1)模型 | 第66-67页 |
| ·线性拟合和指数拟合 | 第67页 |
| ·负荷与气象敏感性分析结果 | 第67-72页 |
| ·小波去噪结果 | 第67-68页 |
| ·关联度分析结果 | 第68-69页 |
| ·敏感度分析结果 | 第69-72页 |
| ·误差分析 | 第72页 |
| ·系统应用 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 第四章 基于聚类分析和信息增益率函数的气象属性离散化 | 第74-85页 |
| ·离散化问题的描述 | 第74-75页 |
| ·直方图离散化 | 第75页 |
| ·基于信息熵的离散化 | 第75-76页 |
| ·信息熵的概念 | 第75-76页 |
| ·信息增益率函数 | 第76页 |
| ·聚类分析 | 第76-79页 |
| ·聚类的基本描述 | 第76-77页 |
| ·传统 K 均值聚类方法 | 第77页 |
| ·层次聚集聚类 | 第77-79页 |
| ·基于信息增益率函数和聚类分析的气象属性离散化算法 | 第79-81页 |
| ·算法应用 | 第81-83页 |
| ·数据源 | 第81页 |
| ·离散化的结果 | 第81-83页 |
| ·算法的测试和比较 | 第83-84页 |
| ·ID3 算法 | 第83页 |
| ·测试结果比较 | 第83-84页 |
| ·本章小结 | 第84-85页 |
| 第五章 基于改进决策树算法的日特征负荷预测 | 第85-98页 |
| ·决策树 | 第85-87页 |
| ·决策树的概念和原理 | 第85-86页 |
| ·决策树的简化 | 第86-87页 |
| ·决策树的优劣 | 第87页 |
| ·ID3 算法 | 第87-90页 |
| ·ID3 算法的基本思想 | 第87-88页 |
| ·ID3 的基本原理 | 第88页 |
| ·主算法和建树算法 | 第88-89页 |
| ·对ID3 算法的讨论 | 第89-90页 |
| ·基于 ID3 的优化算法 | 第90-93页 |
| ·两次信息增益的优化 | 第90-91页 |
| ·属性-值对优化 | 第91-92页 |
| ·属性-值对的两次信息增益优化算法 | 第92-93页 |
| ·基于改进决策树模型的日特征负荷预测 | 第93-97页 |
| ·数据处理 | 第93-94页 |
| ·预测模型训练 | 第94-96页 |
| ·预测结果分析 | 第96-97页 |
| ·本章小结 | 第97-98页 |
| 第六章 基于 MDRBR 的网格化短期负荷预测 | 第98-118页 |
| ·粗糙集理论概述 | 第98-100页 |
| ·粗糙集理论的特点 | 第98-99页 |
| ·传统的粗糙集挖掘算法 | 第99-100页 |
| ·默认规则挖掘算法 | 第100-104页 |
| ·默认规则 | 第100-101页 |
| ·MDRBR 的搜索策略 | 第101-102页 |
| ·MDRBR 的挖掘算法 | 第102-103页 |
| ·带粗糙集算子的决策规则集 | 第103-104页 |
| ·基于 MDRBR 算法的电力系统短期负荷预测模型 | 第104-107页 |
| ·网格化电力系统短期负荷预测的MDRBR 模型 | 第107-110页 |
| ·网格化的MDRBR 模型结构 | 第107页 |
| ·条件属性的选择 | 第107-108页 |
| ·部分属性的离散化 | 第108-109页 |
| ·影响负荷的最优属性的选取 | 第109-110页 |
| ·算例分析 | 第110-117页 |
| ·本章小结 | 第117-118页 |
| 第七章 结论 | 第118-120页 |
| 参考文献 | 第120-127页 |
| 致谢 | 第127-128页 |
| 个人简历、在学期间参加的科研工作及学术论文发表 | 第128-130页 |
