| 第1章 绪论 | 第1-16页 |
| ·短期负荷预测的意义及任务 | 第8-9页 |
| ·短期负荷预测的研究现状 | 第9-13页 |
| ·本文的研究内容与组织结构 | 第13-16页 |
| ·研究内容 | 第13-15页 |
| ·论文的结构 | 第15-16页 |
| 第2章 统计学习理论与支持向量机 | 第16-27页 |
| ·统计学习理论 | 第16-18页 |
| ·支持向量机回归估计方法 | 第18-24页 |
| ·线性情况 | 第19-22页 |
| ·非线性情况 | 第22-23页 |
| ·关于支持向量机方法的说明 | 第23-24页 |
| ·二次规划问题的求解 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 负荷预测的样本选择及预处理 | 第27-43页 |
| ·短期负荷预测概述 | 第27-31页 |
| ·负荷预测的特点 | 第27-28页 |
| ·负荷预测的基本原理 | 第28-29页 |
| ·短期负荷预测的主要评价指标 | 第29-30页 |
| ·短期负荷预测模型要求 | 第30-31页 |
| ·电力负荷特性分析 | 第31-35页 |
| ·负荷自身的周期性特性 | 第31-34页 |
| ·气候、气温对负荷的影响 | 第34-35页 |
| ·节假日对负荷的影响 | 第35页 |
| ·历史资料中异常数据的检测与处理 | 第35-39页 |
| ·历史负荷数据 | 第35-38页 |
| ·温度数据 | 第38-39页 |
| ·样本的选择 | 第39-40页 |
| ·样本的特征选择 | 第39-40页 |
| ·训练和测试样本的选择 | 第40页 |
| ·负荷数据的归一化处理 | 第40-41页 |
| ·气象数据及日期信息的量化处理 | 第41-42页 |
| ·天气情况 | 第41页 |
| ·温度数据 | 第41-42页 |
| ·日期信息 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于SVM的短期电力负荷预测 | 第43-53页 |
| ·核函数的选取 | 第43-44页 |
| ·基于SVM的短期电力负荷预测研究 | 第44-50页 |
| ·基于SVM的短期负荷预测的步骤 | 第44页 |
| ·交叉验证试算法确定SVM中参数的取值 | 第44-48页 |
| ·样本输入特征对预测结果的影响 | 第48-50页 |
| ·重大节假日短期负荷预测模型 | 第50-52页 |
| ·预测步骤 | 第50-51页 |
| ·误差计算结果及分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第5章 基于粒子群SVM的短期电力负荷预测 | 第53-64页 |
| ·粒子群优化算法 | 第53-57页 |
| ·引言 | 第53-54页 |
| ·算法介绍 | 第54-56页 |
| ·PSO的参数设置 | 第56-57页 |
| ·PSO优化的SVM回归估计模型(PSO-SVM) | 第57-59页 |
| ·PSO-SVM程序的逻辑框图 | 第57页 |
| ·PSO-SVM模型的步骤 | 第57-59页 |
| ·基于PSO-SVM的短期负荷预测 | 第59-60页 |
| ·SVM的参数性能分析 | 第59页 |
| ·预测步骤 | 第59-60页 |
| ·算例分析 | 第60页 |
| ·本章小结 | 第60-64页 |
| 第6章 总结与展望 | 第64-66页 |
| ·本文总结 | 第64-65页 |
| ·未来工作展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71页 |