| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.1.1 选题背景 | 第12页 |
| 1.1.2 选题意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 论文结构 | 第17-19页 |
| 第2章 短期电力负荷预测特性分析 | 第19-29页 |
| 2.1 短期电力负荷预测概述 | 第19-21页 |
| 2.1.1 短期电力负荷预测基本原理 | 第19-20页 |
| 2.1.2 短期电力负荷预测特点 | 第20-21页 |
| 2.2 电力负荷数据分析 | 第21-25页 |
| 2.2.1 电力负荷变化规律分析 | 第21-22页 |
| 2.2.2 某市预测对象特性分析 | 第22-25页 |
| 2.3 历史负荷数据的预处理 | 第25-26页 |
| 2.4 短期电力负荷预测整体步骤 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第3章 基于数据集压缩过滤的短期电力负荷预测 | 第29-44页 |
| 3.1 支持向量机 | 第29-32页 |
| 3.1.1 支持向量回归的基本原理 | 第29-30页 |
| 3.1.2 核函数的定义 | 第30-31页 |
| 3.1.3 LIBSVM | 第31-32页 |
| 3.2 特征选择 | 第32-34页 |
| 3.2.1 星期特征 | 第33页 |
| 3.2.2 节假日特征 | 第33页 |
| 3.2.3 历史负荷特征 | 第33-34页 |
| 3.3 基于压缩过滤的数据集构造 | 第34-38页 |
| 3.3.1 压缩数据的构造 | 第34-37页 |
| 3.3.2 相似性准则 | 第37页 |
| 3.3.3 基于压缩过滤的数据集构造算法流程 | 第37-38页 |
| 3.4 预测案例分析 | 第38-43页 |
| 3.4.1 数据集 | 第38-39页 |
| 3.4.2 相关设置 | 第39-40页 |
| 3.4.3 性能评估指标 | 第40页 |
| 3.4.4 方法比较与分析 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 数据集压缩过滤与迁移扩充相结合的短期电力负荷预测 | 第44-52页 |
| 4.1 迁移学习 | 第44-46页 |
| 4.1.1 迁移学习基本概念 | 第44-45页 |
| 4.1.2 迁移学习的方法 | 第45页 |
| 4.1.3 基于迁移学习的短期电力负荷预测 | 第45-46页 |
| 4.2 基于压缩过滤和迁移扩充相结合的数据集构造 | 第46-48页 |
| 4.2.1 基于负荷增长率的迁移学习 | 第46-47页 |
| 4.2.2 基于压缩过滤和迁移扩充相结合的数据集构造算法流程 | 第47-48页 |
| 4.3 预测案例分析 | 第48-51页 |
| 4.3.1 数据集 | 第48页 |
| 4.3.2 相关设置 | 第48页 |
| 4.3.3 方法比较与分析 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 附录A 攻读学位期间参与的科研项目 | 第59页 |