| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·课题研究背景 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·经典方法 | 第10页 |
| ·现代算法 | 第10-12页 |
| ·本文研究内容 | 第12-14页 |
| 第2章 电力负荷特性分析基础 | 第14-24页 |
| ·负荷基本分类及特点 | 第14-15页 |
| ·常见负荷特性指标 | 第15-17页 |
| ·短期负荷预测的特点 | 第17-19页 |
| ·电力负荷与影响因素 | 第19页 |
| ·温度对短期负荷预测的影响及定量分析 | 第19-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于负荷特性分析的相似负荷分类 | 第24-32页 |
| ·引言 | 第24页 |
| ·短期负荷预测中的数据预处理 | 第24-27页 |
| ·异常负荷数据辨识 | 第24-26页 |
| ·判断负荷异常数据 | 第26-27页 |
| ·修正异常负荷数据 | 第27页 |
| ·日特征相关因素的规范化处理 | 第27-29页 |
| ·原始定量指标的映射 | 第28页 |
| ·可转化为定量指标的映射 | 第28-29页 |
| ·常见负荷相似日选择方法 | 第29-30页 |
| ·K均值聚类法结合DB指数评价 | 第30-31页 |
| ·可转化为定量指标的映射 | 第30页 |
| ·引入DB指数的K均值聚类算法 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第4章 基于Granger的短期负荷预测模型 | 第32-39页 |
| ·模型概述 | 第32页 |
| ·Granger算法 | 第32-34页 |
| ·Granger因果检验 | 第32-33页 |
| ·单位根检验(Unit Root Test) | 第33页 |
| ·Granger因果检验(Granger Causality Test) | 第33-34页 |
| ·支持向量机(SVM)算法 | 第34-36页 |
| ·支持向量机基本原理 | 第34-36页 |
| ·支持向量机优缺点 | 第36页 |
| ·支持向量机训练样本数据生成 | 第36-38页 |
| ·聚类样本分类 | 第36-37页 |
| ·K均值聚类-Granger因果检验建立预测样本 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第5章 算例分析 | 第39-46页 |
| ·相似日的选择 | 第39页 |
| ·训练与预测样本集的选择 | 第39-41页 |
| ·单位根检验 | 第39-40页 |
| ·Granger分析 | 第40-41页 |
| ·预测结果 | 第41-44页 |
| ·误差分析 | 第44-46页 |
| ·整体误差曲线对比分析 | 第44-45页 |
| ·分时段平均误差对比分析 | 第45-46页 |
| 第6章 结论及展望 | 第46-47页 |
| ·本文工作总结 | 第46页 |
| ·未来工作展望 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 攻读硕士学位期间发表的论文 | 第52-53页 |
| 致谢 | 第53页 |