| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 传统预测方法 | 第12-13页 |
| 1.2.2 现代预测方法 | 第13-14页 |
| 1.3 本文主要研究工作 | 第14-16页 |
| 第2章 数据聚类方法及其在负荷预测中的应用 | 第16-34页 |
| 2.1 主要聚类技术原理及比较 | 第16-21页 |
| 2.1.1 K-means聚类 | 第16-17页 |
| 2.1.2 Affinity Propagation（AP）聚类 | 第17-18页 |
| 2.1.3 BIRCH聚类 | 第18-20页 |
| 2.1.4 谱聚类 | 第20页 |
| 2.1.5 Ward聚类 | 第20-21页 |
| 2.2 聚类评价指标 | 第21-22页 |
| 2.3 台区负荷数据的聚类分析 | 第22-33页 |
| 2.3.1 台区负荷数据聚类的意义 | 第22-23页 |
| 2.3.2 聚类特征数据准备 | 第23-24页 |
| 2.3.3 台区负荷聚类结果 | 第24-31页 |
| 2.3.4 台区负荷聚类结果比较 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于自适应原理与岭回归算法的负荷预测模型 | 第34-52页 |
| 3.1 岭回归与自适应预测原理 | 第34-37页 |
| 3.1.1 自适应预测原理 | 第34-35页 |
| 3.1.2 岭回归与带交叉验证的岭回归 | 第35-36页 |
| 3.1.3 粒子群优化算法（PSO） | 第36-37页 |
| 3.2 预测主因素的数值化 | 第37-39页 |
| 3.3 自适应选择相似样本的岭回归模型 | 第39-45页 |
| 3.3.1 模式1：使用RidgeCV回归模型训练所有样本 | 第39-40页 |
| 3.3.2 模式2：依据预测日天气自适应选择最优训练样本训练模型 | 第40-43页 |
| 3.3.3 模式3：最小化虚拟日预测误差自适应选择权重系数筛选样本训练预测模型 | 第43-45页 |
| 3.4 算例分析 | 第45-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第4章 基于聚类及自适应岭回归的台区负荷预测 | 第52-71页 |
| 4.1 基于聚类的负荷预测方法 | 第52-56页 |
| 4.2 聚类特征模式选取 | 第56-59页 |
| 4.2.1 模式1：基于负荷曲线的聚类特征 | 第56-57页 |
| 4.2.2 模式2：基于日负荷统计值的聚类特征 | 第57-58页 |
| 4.2.3 模式3：基于负荷对影响因素相关性的聚类特征 | 第58-59页 |
| 4.3 预测实例分析 | 第59-70页 |
| 4.3.1 不同聚类算法对预测结果影响 | 第59-63页 |
| 4.3.2 不同聚类特征模式对预测结果影响 | 第63-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第5章 结论与展望 | 第71-73页 |
| 5.1 结论 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |
