数据挖掘在短期电力负荷预测中的应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·论文工作背景 | 第11-12页 |
| ·短期负荷预测的研究现状 | 第12-13页 |
| ·短期负荷预测的特点 | 第13-14页 |
| ·本文的主要工作 | 第14页 |
| ·本文的组织结构 | 第14-17页 |
| 第2章 相关技术与研究背景 | 第17-27页 |
| ·数据挖掘的基本概念 | 第17-19页 |
| ·数据挖掘的功能 | 第18-19页 |
| ·数据挖掘过程 | 第19页 |
| ·数据挖掘中的聚类技术 | 第19-21页 |
| ·聚类分析的基本知识 | 第20页 |
| ·相似性测度 | 第20页 |
| ·类的表示 | 第20-21页 |
| ·神经网络型知识挖掘技术 | 第21-24页 |
| ·数据挖掘应用于负荷预测的关键问题 | 第24-25页 |
| ·本章小结 | 第25-27页 |
| 第3章 短期负荷预测模型的建立 | 第27-33页 |
| ·常见电力负荷预测系统模式 | 第27-29页 |
| ·两库模式 | 第27-28页 |
| ·三库模式 | 第28-29页 |
| ·基于数据挖掘技术的电力负荷预测模型的架构 | 第29-32页 |
| ·模型条件的设置 | 第29-30页 |
| ·模型各部分的功能 | 第30-31页 |
| ·模型的特点和作用 | 第31-32页 |
| ·小结 | 第32-33页 |
| 第4章 聚类分析及其在负荷预测中的应用 | 第33-43页 |
| ·聚类算法 | 第33-36页 |
| ·聚类分析原理 | 第33-34页 |
| ·逐级均值聚类算法 | 第34-36页 |
| ·聚类算法在负荷预测中的应用 | 第36-42页 |
| ·负荷与非负荷因素之间的关系 | 第36-38页 |
| ·考虑特殊天气因素进行聚类 | 第38-41页 |
| ·预测实例分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 神经网络及其在负荷预测中的应用 | 第43-51页 |
| ·BP神经网络算法 | 第43-45页 |
| ·BP神经网络在负荷预测中的应用 | 第45-50页 |
| ·考虑节假日和季节因素的BP网络预测 | 第46-47页 |
| ·BP算法负荷预测结果分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第6章 负荷预测软件开发 | 第51-65页 |
| ·预测系统的运行环境 | 第51页 |
| ·预测系统的结构 | 第51-54页 |
| ·系统智能化预测模型实现 | 第51-52页 |
| ·数据管理 | 第52-54页 |
| ·负荷预测模块 | 第54-59页 |
| ·评估系统模块 | 第55-56页 |
| ·负荷预测模块 | 第56-59页 |
| ·分析评价 | 第59-61页 |
| ·事前评估分析 | 第59-60页 |
| ·事后误差评价 | 第60-61页 |
| ·报表模块 | 第61页 |
| ·结果输出 | 第61页 |
| ·系统帮助 | 第61-63页 |
| ·小结 | 第63-65页 |
| 第7章 结论 | 第65-67页 |
| ·本文工作总结 | 第65页 |
| ·下一步的工作 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻硕期间发表的论文及参加的项目 | 第73页 |
