| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 文献综述 | 第12-18页 |
| 1.2.1 综合智能负荷预测研究 | 第12-13页 |
| 1.2.2 引入新理论进行负荷预测研究 | 第13-17页 |
| 1.2.3 提高负荷预测精度研究 | 第17-18页 |
| 1.3 本文主要工作 | 第18-19页 |
| 第2章 短期负荷预测的概述与分析 | 第19-24页 |
| 2.1 短期负荷预测的概述 | 第19-21页 |
| 2.2 短期负荷数据的预处理 | 第21-23页 |
| 2.2.1 负荷数据预处理的重要性 | 第21页 |
| 2.2.2 负荷数据的预处理方法 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 临清市短期负荷预测的影响因素 | 第24-39页 |
| 3.1 临清市经济社会发展概况及负荷特性 | 第24-26页 |
| 3.1.1 经济发展概况 | 第24页 |
| 3.1.2 临清市负荷特性 | 第24-25页 |
| 3.1.3 负荷特性分析 | 第25-26页 |
| 3.2 数据来源 | 第26-28页 |
| 3.3 影响因素 | 第28-37页 |
| 3.3.1 经济因素 | 第28-29页 |
| 3.3.2 气象因素 | 第29-35页 |
| 3.3.3 日期类型 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 Cloud-LSSVM的电力系统负荷预测 | 第39-48页 |
| 4.1 云模型 | 第39-42页 |
| 4.1.1 云模型的定义 | 第39-40页 |
| 4.1.2 云发生器 | 第40-42页 |
| 4.1.3 云变换 | 第42页 |
| 4.2 LSSVM | 第42-45页 |
| 4.2.1 LSSVM的原理 | 第42-44页 |
| 4.2.2 核函数参数 | 第44-45页 |
| 4.3 Cloud-LSSVM在短期负荷预测里的运用 | 第45-47页 |
| 4.3.1 Cloud-LSSVM算法 | 第45页 |
| 4.3.2 仿真实验 | 第45-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 基于不确定性分析的组合预测模型 | 第48-57页 |
| 5.1 不确定性分析 | 第48-49页 |
| 5.1.1 不确定性的意义 | 第48-49页 |
| 5.1.2 不确定性的判别 | 第49页 |
| 5.2 组合预测模型的建立 | 第49-51页 |
| 5.2.1 组合预测模型的原理和方法 | 第49-50页 |
| 5.2.2 权重的选择 | 第50-51页 |
| 5.3 粒子群优化算法 | 第51-54页 |
| 5.3.1 粒子群优化算法的定义 | 第51-52页 |
| 5.3.2 粒子群优化算法过程及参数设置 | 第52-54页 |
| 5.4 组合预测模型以及PSO-LSSVM模型的对比试验 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 基于云计算的电力系统短期负荷预测 | 第57-66页 |
| 6.1 云计算技术 | 第57-59页 |
| 6.1.1 云计算的关键技术 | 第57-58页 |
| 6.1.2 主要云计算平台和典型应用 | 第58-59页 |
| 6.2 基于云计算的组合预测模型 | 第59-62页 |
| 6.2.1 模型的建立 | 第59-61页 |
| 6.2.2 预测结果分析 | 第61-62页 |
| 6.3 基于云计算的扩展短期负荷预测模型 | 第62-65页 |
| 6.3.1 样本的选择与模型的建立 | 第62-64页 |
| 6.3.2 预测结果分析 | 第64-65页 |
| 6.4 本章小结 | 第65-66页 |
| 第7章 总结与展望 | 第66-68页 |
| 7.1 总结 | 第66-67页 |
| 7.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 学位论文评阅及答辩情况表 | 第73页 |