该文的工作主要是研究结合粗糙集理论和其它数据处理方法建立短期负荷智能预测模型的方法,其内容包括:对基于粗糙集理论的知识获取方法进行了系统深入的分析和研究;提出了基于信息熵的决策表连续属性变量的粗糙集离散化算法,即首先对每一个候选断点定义了信息熵,以此作为对断点重要性的量度,在此基础上给出了继点选择的粗糙集连续属性离散化算法.针对BP神经网络预测模型的学习问题,提出了基于神经元逐个优化的线性快速学习算法.对BP神经网络预测模型的建模问题,研究了采用粗糙集理论的建模方法,即采用粗糙集理论对模型输入变量进行辨识,采用粗糙集理论获取的推理规则构筑神经网络结构,该建模方法避免了在建立负荷预测模型时的盲目性.对建立TSK模糊系统预测模型,研究了将粗糙集理论和正交最小二乘方法相结合的建模方法.此方法采用粗糙集理论对模型输入变量进行辨识和确定输入空间的模糊集划分,由粗糙集离散化算法得到的区域对应确定侯选模糊推理规则,再采用改进的正交最小二乘算法对侯选模糊规则进行选择确定最终的模糊系统.对短期日负荷曲线预测研究了规范化预测的建模方法.研究了适宜负荷预测问题的可控聚类方法,研究了将粗糙集理论、主成分分析和可控聚类方法相结合建立规范化日负荷曲线预测模型的建模方法.