| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第一章 绪论 | 第11-25页 |
| ·电力短期负荷预测的意义与目的 | 第11-12页 |
| ·电力系统负荷预测的基本理论 | 第12-19页 |
| ·电力系统负荷预测的概念和分类 | 第12-14页 |
| ·影响电力负荷的因素 | 第14-15页 |
| ·电力系统短期负荷预测的特点 | 第15-17页 |
| ·电力系统短期负荷预测应用研究和拟解决的关键问题 | 第17-19页 |
| ·研究内容 | 第17-18页 |
| ·拟解决的关键问题 | 第18-19页 |
| ·国内外研究现状及发展趋势 | 第19-23页 |
| ·传统预测方法 | 第20-21页 |
| ·人工智能预测方法 | 第21-23页 |
| ·组合预测方法 | 第23页 |
| ·本文的研究内容 | 第23-25页 |
| 第二章 数据挖掘的基本理论 | 第25-32页 |
| ·数据挖掘的概念和功能 | 第25-26页 |
| ·数据挖掘的过程 | 第26-27页 |
| ·数据挖掘的步骤 | 第27-29页 |
| ·数据挖掘在电力负荷预测中的分类、预测过程 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第三章 基于数据挖掘技术的负荷预测模型的研究 | 第32-50页 |
| ·常见电力负荷预测系统模式 | 第32-35页 |
| ·两库模式 | 第32-33页 |
| ·三库模式 | 第33-35页 |
| ·基于数据挖掘技术的电力负荷预测模型的架构 | 第35-38页 |
| ·模型条件的设置 | 第35-36页 |
| ·模型各部分的功能 | 第36-37页 |
| ·模型的特点和作用 | 第37-38页 |
| ·数据挖掘常用算法及其在负荷预测中的应用 | 第38-48页 |
| ·数据挖掘常用算法 | 第38-39页 |
| ·数据挖掘领域中常用的聚类分析算法 | 第39-48页 |
| ·CLARANS 算法（随机搜索聚类算法） | 第39-40页 |
| ·CURE 算法（利用代表点聚类） | 第40页 |
| ·BIRCH 算法（利用层次方法的平衡迭代归约和聚类） | 第40-41页 |
| ·DBSCAN 算法（基于高密度连接区域的密度聚类方法） | 第41-42页 |
| ·STING 算法（统计信息风格） | 第42-43页 |
| ·COBWEB 算法（流行的简单增量概念聚类算法） | 第43页 |
| ·模糊聚类算法FCM | 第43-44页 |
| ·K-means 算法 | 第44-48页 |
| ·聚类算法的性能比较 | 第48页 |
| ·聚类分析在数据挖掘中的应用 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 电力负荷预测中数据挖掘的过程 | 第50-73页 |
| ·数据预处理 | 第50-51页 |
| ·数据误差来源 | 第51页 |
| ·坏数据的辨识与调整 | 第51-55页 |
| ·坏数据辨识与调整的基本思想 | 第51-52页 |
| ·基于聚类分析的特征曲线提取 | 第52-53页 |
| ·基于特征曲线的坏数据检测与调整 | 第53-54页 |
| ·实例分析 | 第54-55页 |
| ·短期负荷的模式分析 | 第55-59页 |
| ·基于小波技术的负荷分量分解 | 第59-61页 |
| ·基荷分量的回归分析预测 | 第61-62页 |
| ·基于决策树的天气及日期敏感分量预测 | 第62-65页 |
| ·训练样本集的选取 | 第63-64页 |
| ·构建决策树 | 第64-65页 |
| ·影响因素与负荷分量关系式的确定 | 第65页 |
| ·预测结果分析 | 第65-72页 |
| ·本章小结 | 第72-73页 |
| 第五章 短期负荷预测系统设计与实现 | 第73-80页 |
| ·开发工具及数据库的选择 | 第73页 |
| ·系统结构及功能 | 第73-77页 |
| ·界面设计 | 第77-79页 |
| ·本章小结 | 第79-80页 |
| 结论 | 第80-81页 |
| 展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士学位期间取得的研究成果 | 第86-87页 |
| 致谢 | 第87页 |
