| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 异常负荷数据预处理的研究现状 | 第10-12页 |
| 1.2.2 短期电力负荷预测方法的研究现状 | 第12-13页 |
| 1.3 电力系统短期负荷预测中存在的问题 | 第13页 |
| 1.4 主要研究工作 | 第13-14页 |
| 1.5 论文的结构 | 第14-16页 |
| 第二章 电力负荷数据预处理 | 第16-26页 |
| 2.1 负荷中的异常数据 | 第16页 |
| 2.2 数据挖掘对异常数据辨识及修正 | 第16-22页 |
| 2.2.1 用聚类算法提取电力负荷特征曲线 | 第16-20页 |
| 2.2.2 异常数据辨识模型 | 第20-21页 |
| 2.2.3 异常数据的修正 | 第21-22页 |
| 2.3 负荷数据预处理流程 | 第22页 |
| 2.4 实验与结果分析 | 第22-25页 |
| 2.4.1 负荷数据预处理前后对比 | 第22-25页 |
| 2.4.2 改进的 FCM 算法与 FCM 算法的对比分析 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 电力负荷的相关因素分析 | 第26-35页 |
| 3.1 电力负荷的周期性 | 第26-30页 |
| 3.1.1 电力负荷的年周期性 | 第26-27页 |
| 3.1.2 电力负荷的周周期性 | 第27-28页 |
| 3.1.3 电力负荷的日周期性 | 第28-30页 |
| 3.2 气象因素对短期电力负荷预测的影响分析 | 第30-34页 |
| 3.2.1 灰色关联分析 | 第30页 |
| 3.2.2 温度对短期电力负荷的影响分析 | 第30-32页 |
| 3.2.3 湿度对短期电力负荷的影响分析 | 第32页 |
| 3.2.4 气压对短期电力负荷的影响分析 | 第32-33页 |
| 3.2.5 风速对短期电力负荷的影响分析 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 基于模糊聚类的相似日选取 | 第35-43页 |
| 4.1 相似日 | 第35-39页 |
| 4.1.1 确定日特征向量 | 第35-36页 |
| 4.1.2 日特征向量的量化 | 第36页 |
| 4.1.3 日特征向量权重的计算 | 第36-38页 |
| 4.1.4 相似日的计算 | 第38-39页 |
| 4.2 改进模糊聚类算法 | 第39-42页 |
| 4.2.1 数据标准化 | 第40页 |
| 4.2.2 建立模糊相似矩阵 | 第40页 |
| 4.2.3 模糊聚类传递闭包法 | 第40-42页 |
| 4.3 模糊聚类提取相似日算法 | 第42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 基于数据挖掘的电力短期负荷预测模型 | 第43-50页 |
| 5.1 支持向量机 | 第43-45页 |
| 5.1.1 SVM 的核函数 | 第44页 |
| 5.1.2 SVM 的主要参数 | 第44-45页 |
| 5.2 粒子群优化算法 | 第45-46页 |
| 5.2.1 粒子群优化算法原理 | 第45页 |
| 5.2.2 粒子群优化算法流程 | 第45-46页 |
| 5.3 基于相似日聚类的支持向量机算法 | 第46页 |
| 5.4 实验与分析 | 第46-48页 |
| 5.5 本章小结 | 第48-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间取得的研究成果 | 第55-56页 |
| 致谢 | 第56-57页 |
| 附件 | 第57页 |