| 第一章 绪论 | 第1-19页 |
| ·前言 | 第9-11页 |
| ·国内外研究现状 | 第11-17页 |
| ·经典预测方法 | 第11-14页 |
| ·现代预测方法 | 第14-17页 |
| ·本文工作 | 第17-19页 |
| 第二章 数据挖掘 | 第19-37页 |
| ·引言 | 第19-21页 |
| ·探索性数据分析 | 第21-27页 |
| ·负荷本身的特征 | 第21-24页 |
| ·负荷与非负荷因素之间的关系 | 第24-27页 |
| ·用于分类的预测建模 | 第27-36页 |
| ·决策树基本概念 | 第27-31页 |
| ·决策树算法 | 第31-35页 |
| ·决策树的特性 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 电力负荷数据的预处理 | 第37-44页 |
| ·引言 | 第37页 |
| ·坏数据的处理 | 第37-40页 |
| ·利用负荷的横向相似性判断负荷坏数据 | 第38页 |
| ·利用负荷数据的纵向相似性来判断负荷坏数据 | 第38-39页 |
| ·负荷坏数据的修正 | 第39-40页 |
| ·长期增长负荷分量的处理 | 第40-43页 |
| ·利用小波技术进行序列分解 | 第40-42页 |
| ·分时段考虑长期增长分量 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 决策树和时间序列相结合的短期负荷预测算法 | 第44-57页 |
| ·引言 | 第44页 |
| ·非负荷因素对负荷影响的定量分析 | 第44-51页 |
| ·非负荷因素的选取 | 第45-46页 |
| ·温度因素与相应负荷分量之间关系的回归树模型 | 第46-50页 |
| ·分类后数据的进一步处理 | 第50-51页 |
| ·时间序列技术 | 第51-54页 |
| ·ARMA(p,q)模型的参数估计和定阶 | 第52-54页 |
| ·ARMA(p,q)模型的预报 | 第54页 |
| ·决策树和时间序列相结合的短期负荷预测算法 | 第54-56页 |
| ·小结 | 第56-57页 |
| 第五章 基于DotNet构架的短期负荷预测系统设计与实现 | 第57-69页 |
| ·引言 | 第57页 |
| ·短期负荷预测系统的基本要求 | 第57-59页 |
| ·短期负荷预测系统的任务 | 第57-58页 |
| ·短期负荷预测系统的功能要求 | 第58-59页 |
| ·设计短期负荷预测系统需考虑的因素 | 第59页 |
| ·短期负荷预测系统的实现 | 第59-67页 |
| ·现有数据 | 第60页 |
| ·系统的结构和功能模块 | 第60-63页 |
| ·短期负荷预测算法流程 | 第63-66页 |
| ·系统实现中一些具体问题的处理 | 第66-67页 |
| ·小结 | 第67-69页 |
| 第六章 系统应用实例分析 | 第69-73页 |
| ·系统应用分析 | 第69-70页 |
| ·影响负荷预测精度的主要因素 | 第70-72页 |
| ·气象预测误差对负荷预测精度的影响 | 第70-72页 |
| ·节假日期间气温对负荷预测的影响 | 第72页 |
| ·小结 | 第72-73页 |
| 第七章 结语 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 致 谢 | 第78-79页 |
| 硕士期间的研究成果和发表论文 | 第79页 |