數(shù)據(jù)挖掘建模及其在電力決策支持中的應用研究

總序
論叢前言
第1章 引言
1．1 研究背景
1．1．1 行業(yè)背景
1．1．2 學術(shù)背景
1．1．3 研究意義
1．1．4 選題背景
1．2 數(shù)據(jù)挖掘與軟計算綜述
1．2．1 數(shù)據(jù)挖掘簡介
1．2．2 軟計算簡介
1．2．3 軟計算在數(shù)據(jù)挖掘中的應用
1．2．4 結(jié)論
1．3 數(shù)據(jù)挖掘在電力行業(yè)中的研究現(xiàn)狀
1．3．1 數(shù)據(jù)挖掘在電力行業(yè)中的應用
1．3．2 結(jié)論
1．4 本書結(jié)構(gòu)與安排
1．4．1 本書內(nèi)容
1．4．2 技術(shù)路線
1．4．3 研究方法
1．5 本書主要創(chuàng)新
第2章 時序數(shù)據(jù)約簡建模與應用
2．1 相關(guān)工作
2．2 多邊形逼近約簡
2．2．1 數(shù)學模型
2．2．2 理論證明
2．3 分段平均約簡模型
2．3．1 數(shù)學模型
2．3．2 理論證明
2．4 實時約簡算法
2．5 隨機投影降維
2．5．1 數(shù)學模型
2．5．2 理論證明
2．6 模型驗證試驗
2．6．1 發(fā)電廠運載參數(shù)實驗
2．6．2 實時分段平均算法實驗
2．7 本章小結(jié)
第3章 新型距離測度模型與電力價格突變預測
3．1 電力價格預測
3．1．1 相關(guān)工作簡述
3．1．2 電力價格預測方法論
3．2 電力價格突變
3．3 新型距離測度研究
3．3．1 動態(tài)時間彎曲
3．3．2 動態(tài)編程技術(shù)
3．4 快速動態(tài)時間彎曲
3．4．1 邊界定理
3．4．2 分段平均動態(tài)時間彎曲
3．4．3 驗證試驗
3．5 基于相似搜索的突變預測
3．5．1 相似性搜索
3．5．2 突變發(fā)生器驗證試驗
3．6 本章小結(jié)
第4章 云特征挖掘模型與電價預測
4．1 云模型基本概念
4．1．1 云模型
4．1．2 云的數(shù)字特征
4．1．3 云發(fā)生器
4．2 云模型特征發(fā)現(xiàn)算法
4．2．1 定義
4．2．2 特征獲取
4．3 帶有突變分析的電價預測模型
4．4 云模型特征發(fā)現(xiàn)模型在電價突變中的應用
4．5 本章小結(jié)
第5章 容差粗集模型與客戶信用度分析
5．1 粗集的基本知識
5．1．1 信息表
5．1．2 不可分辨關(guān)系
5．1．3 集合的下近似及上近似
5．1．4 約簡與核
5．1．5 決策系統(tǒng)
5．2 容差粗集
5．3 遺傳算法與參數(shù)選擇
5．3．1 染色體表示
5．3．2 初始種群和適應函數(shù)選擇
5．3．3 遺傳操作
5．3．4 驗證實驗
5．4 容差粗集模型在電力用戶信用度分析中應用
5．4．1 電力客戶信用分析
5．4．2 基于容差粗集方法的客戶信用分析
5．5 本章小結(jié)
第6章 電力企業(yè)決策支持應用平臺實例
6．1 決策系統(tǒng)建設目標和要求
6．1．1 知識的存貯和提取
6．1．2 分析任務管理
6．1．3 新知識的反饋和存貯
6．2 PEDSS的基本架構(gòu)
6．2．1 知識獲取模塊
6．2．2 反饋環(huán)
6．2．3 數(shù)據(jù)／知識預處理模塊
6．2．4 知識倉庫存貯模塊
6．2．5 知識分析工作臺
6．2．6 通信管理
6．3 PEDSS平臺的技術(shù)設計
6．3．1 Web Services介紹
6．3．2 使用Web服務的優(yōu)勢
6．4 系統(tǒng)框架設計
6．4．1 用戶接口
6．4．2 知識分析工作臺
6．4．3 網(wǎng)絡通信
6．5 系統(tǒng)實現(xiàn)
6．5．1 軟件配置
6．5．2 實例舉例
6．6 本章小結(jié)
第7章 結(jié)論與展望
7．1 本書的主要貢獻
7．2 未來研究重點
參考文獻
后記