| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 课题来源和选题依据 | 第12-13页 |
| 1.1.1 课题来源 | 第12页 |
| 1.1.2 选题的目的和意义 | 第12-13页 |
| 1.1.3 数据的选取 | 第13页 |
| 1.2 电力负荷预测相关理论 | 第13-20页 |
| 1.2.1 电力负荷预测的分类 | 第14-15页 |
| 1.2.2 电力负荷预测的特点 | 第15-20页 |
| 1.3 国内外发展现状和动态 | 第20-22页 |
| 1.3.1 基于气象的电力预测国外研究现状 | 第20-21页 |
| 1.3.2 基于气象的电力预测国内研究现状 | 第21-22页 |
| 1.4 本文结构与研究内容 | 第22-23页 |
| 1.5 小结 | 第23-24页 |
| 第2章 回归分析和支持向量机原理 | 第24-33页 |
| 2.1 回归分析模型 | 第24-26页 |
| 2.1.1 一元线性回归预测 | 第24-25页 |
| 2.1.2 多元线性回归预测 | 第25-26页 |
| 2.2 支持向量机 | 第26-33页 |
| 2.2.1 统计学理论 | 第26-28页 |
| 2.2.2 支持向量机分类 | 第28-31页 |
| 2.2.3 支持向量机回归 | 第31-32页 |
| 2.2.4 小结 | 第32-33页 |
| 第3章 基于最优子集的长沙市电力预测 | 第33-44页 |
| 3.1 相关性分析 | 第33-39页 |
| 3.1.1 负荷自身的周期性、相似性分析 | 第33-35页 |
| 3.1.2 温度、湿度和负荷的相关性分析 | 第35-38页 |
| 3.1.3 最优相关性特征子集选取 | 第38-39页 |
| 3.2 数据预处理 | 第39-41页 |
| 3.2.1 数据的归一化处理 | 第39-40页 |
| 3.2.2 不完备数据的处理 | 第40页 |
| 3.2.3 异常数据的处理 | 第40-41页 |
| 3.3 最优子集多元回归模型的电力预测 | 第41-42页 |
| 3.4 最优子集SVR模型的电力预测 | 第42-43页 |
| 3.5 小结 | 第43-44页 |
| 第4章 基于集成学习的长沙市电力预测 | 第44-54页 |
| 4.1 Bagging-SVR算法的长沙市电力预测 | 第45-48页 |
| 4.1.1 Bagging-SVR算法原理 | 第45-47页 |
| 4.1.2 Bagging-SVR算法预测实验 | 第47-48页 |
| 4.2 Boosting-SVR算法的长沙市电力预测 | 第48-52页 |
| 4.2.1 Boosting算法原理 | 第48页 |
| 4.2.2 Boosting-SVR算法原理 | 第48-51页 |
| 4.2.3 Boosting-SVR算法预测实验 | 第51-52页 |
| 4.3 对比实验 | 第52-53页 |
| 4.4 小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 1. 本文总结 | 第54页 |
| 2. 工作展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 附录A 攻读硕士学位期间所发表的学术论文目录 | 第61-62页 |
| 附录B 攻读学位期间参与的主要项目和工作 | 第62页 |