| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.3 研究内容和安排 | 第17-19页 |
| 第2章 电力负荷预测概述 | 第19-24页 |
| 2.1 负荷预测分类 | 第19-20页 |
| 2.2 负荷预测的特点 | 第20-21页 |
| 2.3 负荷预测的原理 | 第21-22页 |
| 2.4 负荷预测的误差分析 | 第22页 |
| 2.5 负荷预测的基本步骤 | 第22-23页 |
| 2.6 小结 | 第23-24页 |
| 第3章 负荷数据分析与处理 | 第24-33页 |
| 3.1 异常数据处理 | 第24-26页 |
| 3.1.1 利用负荷的横向相似性判断负荷坏数据 | 第24-25页 |
| 3.1.2 利用负荷数据的纵向相似性来判断负荷坏数据 | 第25页 |
| 3.1.3 负荷坏数据的修正 | 第25-26页 |
| 3.1.4 数据归一化 | 第26页 |
| 3.2 负荷影响因素分析 | 第26-28页 |
| 3.2.1 时间特性 | 第26-28页 |
| 3.2.2 天气因素 | 第28页 |
| 3.3 特征提取 | 第28-31页 |
| 3.3.1 基本特征提取方法 | 第29-30页 |
| 3.3.2 新的节假日特征 | 第30-31页 |
| 3.4 数据集选取 | 第31页 |
| 3.5 小结 | 第31-33页 |
| 第4章 加权支持向量机和迁移学习 | 第33-41页 |
| 4.1 机器学习的几个基本问题 | 第33-34页 |
| 4.1.1 经验风险最小 | 第33页 |
| 4.1.2 VC维和结构风险最小 | 第33-34页 |
| 4.2 加权支持向量机回归预测模型 | 第34-38页 |
| 4.2.1 支持向量机回归 | 第34-36页 |
| 4.2.2 核函数方案实现 | 第36-37页 |
| 4.2.3. 加权支持向量机回归 | 第37-38页 |
| 4.3 迁移学习 | 第38-40页 |
| 4.3.1 迁移学习目的 | 第38-39页 |
| 4.3.2 迁移学习分类 | 第39页 |
| 4.3.3 负迁移 | 第39-40页 |
| 4.4 小结 | 第40-41页 |
| 第5章 基于节假日加权迁移学习方法 | 第41-52页 |
| 5.1 节假日加权迁移学习 | 第41-46页 |
| 5.1.1 源城市的选取 | 第42-44页 |
| 5.1.2 加权迁移学习的权重分配 | 第44-45页 |
| 5.1.3 TrAdaBoost算法重新调整负迁移城市的权重 | 第45-46页 |
| 5.2 基于节假日加权迁移学习的负荷预测步骤 | 第46-47页 |
| 5.3. 预测案例 | 第47-51页 |
| 5.3.1 预测效果的评估的性能指标 | 第47页 |
| 5.3.2 无负迁移城市预测效果 | 第47-49页 |
| 5.3.3 其它城市预测效果 | 第49-50页 |
| 5.3.4 负迁移解决效果 | 第50-51页 |
| 5.4 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 攻读学位期间所发表的学术论文 | 第59-60页 |
| 附录B 攻读学位期间参与的科研项目 | 第60页 |