文摘
英文文摘
第一章绪论
1.1电力系统负荷预测概述
1.1.1影响因素
1.1.2预测方法的研究现状
1.2软计算方法
1.2.1人工神经网络
1.2.2模糊系统
1.2.3遗传算法
1.3数据挖掘
1.3.1数据挖掘的概念
1.3.2数据挖掘的分类
1.3.3数据挖掘的一些问题及需要做的工作
1.4本文的主要工作
第二章软计算方法
2.1人工神经网络
2.1.1神经网络的一般化模型
2.1.2神经网络的基本学习规则
2.1.3主要的几种神经网络
2.2模糊推理系统
2.2.1模糊集合及其运算
2.2.2模糊关系
2.2.3模糊逻辑与模糊推理系统
2.3软计算中的协作和融合
第三章数据挖掘
3.1分类方法
3.1.1决策树分类技术
3.1.2反向传播神经网络分类
3.1.3其它分类算法
3.2聚类分析
3.2.1聚类方法
3.2.2聚类分析的发展趋势
第四章电力负荷数据中的坏数据辨识与调整
4.1负荷坏数据辨识与调整的基本思想
4.2负荷曲线抗差聚类
4.2.1简单的竞争学习
4.2.2竞争学习的价值函数与收敛性
4.2.3自组织特征映射与Kohonen算法
4.2.4采用Kohonen网实现负荷曲线抗差聚类
4.3含有坏数据的曲线模式的分类
4.3.1 BP算法基本计算步骤
4.3.2 BP学习算法的改进
4.3.3非正常曲线模式分类
4.4坏数据辨识的组合神经网络模型
4.5基于特征曲线的坏数据的调整
4.6实例分析
4.6.1组合神经网络训练样本集的产生
4.6.2网络运算及坏数据调整结果
第五章负荷预测的模糊系统模型
5.1基于CART算法的模糊推理系统结构辨识
5.1.1基于局部模型误差指标的树生长算法
5.1.2代价复杂性测度剪枝算法
5.1.3确定模糊推理系统的结构
5.2基于TSK模型的ANFIS网络
5.2.1 ANFIS网络结构
5.2.2决策规则模糊化及ANFIS激励强度归一化
5.3 ANFIS参数优化
5.4负荷预测建模的实例分析
5.4.1建模过程实例分析
5.4.2日负荷预测模型效果分析
第六章结语
参考文献
作者攻读博士学位期间发表的有关学术论文
致谢