| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.1.1 课题研究背景和意义 | 第10页 |
| 1.1.2 课题来源 | 第10页 |
| 1.2 研究内容及成果 | 第10-12页 |
| 1.3 论文结构安排 | 第12-14页 |
| 第二章 智能电网数据挖掘研究综述 | 第14-26页 |
| 2.1 智能电网数据 | 第14-16页 |
| 2.1.1 智能电网数据特征 | 第14页 |
| 2.1.2 智能电网数据分析应用领域 | 第14-16页 |
| 2.2 数据挖掘技术 | 第16-18页 |
| 2.2.1 数据挖掘概念 | 第16页 |
| 2.2.2 数据挖掘过程 | 第16-17页 |
| 2.2.3 数据挖掘常用方法 | 第17-18页 |
| 2.3 数据挖掘方法在智能电网负荷特性分析与预测中的应用 | 第18-25页 |
| 2.3.1 负荷特性分析 | 第18-21页 |
| 2.3.2 负荷预测 | 第21-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于自适应加权FCM聚类的负荷特性分析研究 | 第26-40页 |
| 3.1 引言 | 第26页 |
| 3.2 负荷聚类步骤 | 第26-28页 |
| 3.3 自适应加权FCM聚类算法 | 第28-35页 |
| 3.3.1 主成分分析法 | 第28-29页 |
| 3.3.2 模糊C均值算法 | 第29-31页 |
| 3.3.3 PCA-WFCM算法 | 第31-34页 |
| 3.3.4 聚类有效性函数 | 第34-35页 |
| 3.4 仿真结果及分析 | 第35-39页 |
| 3.4.1 仿真数据及参数设置 | 第35-36页 |
| 3.4.2 仿真结果分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于改进RBF神经网络的短期负荷预测研究 | 第40-54页 |
| 4.1 引言 | 第40-41页 |
| 4.2 负荷曲线分析 | 第41-42页 |
| 4.3 改进RBF神经网络预测算法 | 第42-45页 |
| 4.3.1 RBF神经网络 | 第42-44页 |
| 4.3.2 RBF-PCA-WFCM预测算法 | 第44-45页 |
| 4.4 基于用户聚类的RBF-PCA-WFCM预测方法 | 第45-47页 |
| 4.5 仿真结果及分析 | 第47-53页 |
| 4.5.1 仿真数据及参数设置 | 第47-48页 |
| 4.5.2 仿真结果分析 | 第48-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 论文工作总结 | 第54-55页 |
| 5.2 未来工作展望 | 第55-56页 |
| 缩略语索引 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 攻读硕士学位期间研究成果 | 第64页 |
