| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.2 本课题研究的历史和现状 | 第10-17页 |
| 1.2.1 短期负荷预测的传统方法 | 第13-14页 |
| 1.2.2 短期负荷预测的智能方法 | 第14-17页 |
| 1.3 本文所作的工作及创新 | 第17-18页 |
| 1.4 本文章节安排 | 第18-19页 |
| 第二章 负荷特性分析 | 第19-27页 |
| 2.1 引言 | 第19页 |
| 2.2 传统的负荷特性指标体系 | 第19-23页 |
| 2.2.1 日负荷特性指标 | 第20-21页 |
| 2.2.2 月负荷特性指标 | 第21-22页 |
| 2.2.3 年负荷特性指标 | 第22-23页 |
| 2.3 聚类分析法 | 第23-26页 |
| 2.3.1 聚类分析法函义 | 第24页 |
| 2.3.2 常用的聚类分析法 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 负荷特性实例分析 | 第27-45页 |
| 3.1 和田电网负荷性质 | 第27-28页 |
| 3.2 传统指标分析负荷特性 | 第28-37页 |
| 3.2.1 年负荷特性分析 | 第28-31页 |
| 3.2.2 月负荷特性分析 | 第31-34页 |
| 3.2.3 日负荷特性分析 | 第34-37页 |
| 3.3 基于 SPSS 聚类分析法的各地区电网负荷特性分析 | 第37-44页 |
| 3.3.1 描述统计分析的实现 | 第37-38页 |
| 3.3.2 系统聚类算法与 k-means 算法的实现 | 第38-42页 |
| 3.3.3 聚类效果 | 第42-44页 |
| 3.3.4 聚类结果分析 | 第44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于相关向量机的短期负荷预测 | 第45-52页 |
| 4.1 引言 | 第45页 |
| 4.2 统计学习理论 | 第45页 |
| 4.3 相关向量机预测模型 | 第45-51页 |
| 4.3.1 基础知识 | 第45-47页 |
| 4.3.2 各参数的推断 | 第47-50页 |
| 4.3.3 判据过程 | 第50-51页 |
| 4.4 预测模型实现步骤 | 第51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 负荷预测实例分析 | 第52-64页 |
| 5.1 RVM 实例分析 | 第52-57页 |
| 5.1.1 模型的训练 | 第52-53页 |
| 5.1.2 应用模型的预测 | 第53-54页 |
| 5.1.3 RVM 预测结果分析 | 第54-57页 |
| 5.2 RVM 与 SVM 对比分析 | 第57-63页 |
| 5.2.1 基于支持向量机的电力系统短期负荷预测 | 第57-59页 |
| 5.2.2 RVM 与 SVM 算法步骤 | 第59-60页 |
| 5.2.3 实际算例 | 第60-61页 |
| 5.2.4 RVM 与 SVM 结果分析 | 第61-63页 |
| 5.3 本章小结 | 第63-64页 |
| 第六章 结论与展望 | 第64-66页 |
| 6.1 结论 | 第64页 |
| 6.2 建议 | 第64-65页 |
| 6.3 后续工作展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69-75页 |
| 攻读硕士期间发表的论文 | 第75-76页 |
| 致谢 | 第76页 |