| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 电力负荷异常数据检测研究现状 | 第14-17页 |
| 1.2.2 电力负荷异常数据修正研究现状 | 第17-18页 |
| 1.3 本文的主要研究工作 | 第18-19页 |
| 1.4 论文的组织结构 | 第19-21页 |
| 第2章 数据挖掘与电力负荷异常数据处理方法 | 第21-30页 |
| 2.1 数据挖掘概述 | 第21-23页 |
| 2.1.1 数据挖掘的定义 | 第21页 |
| 2.1.2 数据挖掘基本流程 | 第21-22页 |
| 2.1.3 数据挖掘基本方法 | 第22-23页 |
| 2.2 电力负荷数据分类 | 第23-28页 |
| 2.2.1 负荷数据分类 | 第23-25页 |
| 2.2.2 电力负荷异常数据分类 | 第25-28页 |
| 2.3 基于数据挖掘的电力负荷异常数据处理方法 | 第28-29页 |
| 2.3.1 聚类分析方法 | 第28-29页 |
| 2.3.2 基于模糊聚类的电力负荷异常数据检测 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 改进PFCM聚类算法的电力负荷异常数据检测 | 第30-45页 |
| 3.1 可能性模糊C均值聚类算法 | 第30-33页 |
| 3.1.1 可能性C均值聚类算法 | 第30-32页 |
| 3.1.2 可能性模糊C均值聚类 | 第32-33页 |
| 3.2 自适应的PSO-PFCM聚类算法 | 第33-37页 |
| 3.2.1 PFCM聚类数目的自适应确定 | 第33-35页 |
| 3.2.2 优化的粒子群算法 | 第35-37页 |
| 3.3 基于改进PSO-PFCM聚类算法的电力负荷异常值检测流程 | 第37-38页 |
| 3.4 仿真分析 | 第38-44页 |
| 3.4.1 电力负荷数据预处理 | 第38-40页 |
| 3.4.2 基于改进PSO-PFCM聚类算法的负荷曲线聚类 | 第40-42页 |
| 3.4.3 电力负荷异常数据检测与分析 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于聚类训练样本的优化RBF电力负荷异常数据修正 | 第45-58页 |
| 4.1 优化的RBF神经网络 | 第45-49页 |
| 4.1.1 传统RBF神经网络 | 第45-47页 |
| 4.1.2 遗传算法优化的RBF神经网络 | 第47-49页 |
| 4.2 基于聚类训练样本的GA-RBF电力负荷异常数据修正 | 第49-51页 |
| 4.2.1 基于GA-RBF神经网络的电力异常数据修正 | 第49-50页 |
| 4.2.2 基于聚类训练样本的GA-RBF电力负荷异常数据修正 | 第50-51页 |
| 4.3 仿真分析 | 第51-57页 |
| 4.3.1 基于GA-RBF神经网络的电力负荷异常数据修正仿真分析 | 第51-53页 |
| 4.3.2 基于聚类训练样本的GA-RBF电力负荷异常数据修正仿真分析 | 第53-57页 |
| 4.4 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 附录A 攻读硕士学位期间发表学术论文 | 第65-66页 |
| 附录B 攻读硕士学位期间参与科研项目 | 第66页 |
