基于数据挖掘技术的电力系统短期负荷预测
| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-21页 |
| ·概述 | 第9-10页 |
| ·短期电力负荷预测的研究现状与发展趋势 | 第10-17页 |
| ·常用的负荷预测方法 | 第10-13页 |
| ·短期负荷预测的研究现状 | 第13-16页 |
| ·目前在电力系统短期负荷预测中未解决的主要问题 | 第16页 |
| ·未来的发展趋势 | 第16-17页 |
| ·数据挖掘 | 第17-20页 |
| ·数据挖掘的定义 | 第17页 |
| ·常用数据挖掘算法 | 第17-18页 |
| ·数据挖掘的过程以及采用的技术 | 第18-20页 |
| ·本文的主要工作 | 第20-21页 |
| 2 负荷数据的预处理方法研究 | 第21-35页 |
| ·引言 | 第21-22页 |
| ·坏数据的分类 | 第22-23页 |
| ·通道坏数据 | 第22页 |
| ·畸变坏数据 | 第22-23页 |
| ·坏数据辨识与调整的基本思想 | 第23-24页 |
| ·负荷曲线的聚类 | 第24-28页 |
| ·自组织特征映射与ART算法 | 第25-28页 |
| ·采用ART网实现负荷曲线聚类 | 第28页 |
| ·含有坏数据的曲线模式分类 | 第28-31页 |
| ·超圆神经元模型(CC)结构及基本原理 | 第28-30页 |
| ·非正常曲线模式分类 | 第30-31页 |
| ·坏数据辨识的组合神经网络模型 | 第31页 |
| ·基于特征曲线的坏数据调整 | 第31-32页 |
| ·实例分析 | 第32-34页 |
| ·小结 | 第34-35页 |
| 3 基于扩展粗集的预测模型输入参数方法研究 | 第35-49页 |
| ·引言 | 第35页 |
| ·粗糙集理论基础 | 第35-43页 |
| ·基本概念 | 第36-39页 |
| ·约简算法研究 | 第39-43页 |
| ·基于扩展粗糙集理论的负荷预测模型 | 第43-48页 |
| ·初始信息表的建立 | 第44-45页 |
| ·属性值离散化 | 第45-46页 |
| ·影响因素约简 | 第46页 |
| ·结果分析 | 第46-48页 |
| ·小结 | 第48-49页 |
| 4 基于Kohonen网络的预测模型输入样本选择 | 第49-57页 |
| ·引言 | 第49页 |
| ·基于聚类的Kohonen网络模型 | 第49-52页 |
| ·负荷模式的形成 | 第52-56页 |
| ·聚类样本的选取及归一化 | 第52-54页 |
| ·聚类结果及分析 | 第54-56页 |
| ·实例验证 | 第56页 |
| ·小结 | 第56-57页 |
| 5 基于数据挖掘的电力短期负荷预测模型及其算法 | 第57-67页 |
| ·引言 | 第57页 |
| ·以前向人工神经网络建立负荷预测模型 | 第57-61页 |
| ·传统的BP神经网络 | 第57-61页 |
| ·改进的BP神经网络 | 第61页 |
| ·基于数据挖掘技术建立工作日负荷预测模型 | 第61-66页 |
| ·数据预处理模块 | 第62-63页 |
| ·数据样本选择模块 | 第63-64页 |
| ·属性约简模块 | 第64-65页 |
| ·负荷预测模块 | 第65-66页 |
| ·小结 | 第66-67页 |
| 6 结论与展望 | 第67-69页 |
| ·结论 | 第67-68页 |
| ·未来工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74页 |
