基于机器自学习的电力系统超短期负荷预测研究
| 中文摘要 | 第1页 |
| 英文摘要 | 第3-6页 |
| 第一章 绪论 | 第6-13页 |
| ·负荷预测的基本概念和原理 | 第6-7页 |
| ·负荷预测的基本概念 | 第6页 |
| ·负荷预测的基本原理[2] | 第6-7页 |
| ·超短期负荷预测的背景和意义 | 第7-8页 |
| ·国内外研究和应用现状 | 第8-12页 |
| ·传统预测方法 | 第8-9页 |
| ·智能预测方法 | 第9-11页 |
| ·组合预测方法 | 第11-12页 |
| ·本文的主要工作 | 第12-13页 |
| 第二章 历史负荷数据预处理及样本选择 | 第13-22页 |
| ·电力负荷特性分析 | 第13-16页 |
| ·电力负荷的分类 | 第13-14页 |
| ·电力负荷的特点 | 第14-15页 |
| ·电力负荷组成分析 | 第15-16页 |
| ·历史负荷数据的预处理 | 第16-18页 |
| ·数据预处理意义 | 第16页 |
| ·数据预处理方法 | 第16-18页 |
| ·训练样本的选择 | 第18-20页 |
| ·灰色关联分析理论 | 第18-19页 |
| ·灰色关联度求解步骤 | 第19-20页 |
| ·加权灰色关联度分析 | 第20页 |
| ·本章小结 | 第20-22页 |
| 第三章 机器自学习方法研究 | 第22-44页 |
| ·机器学习 | 第22-23页 |
| ·统计学习理论 | 第23-26页 |
| ·VC维理论 | 第24页 |
| ·推广性的界 | 第24-25页 |
| ·结构风险最小化原则 | 第25-26页 |
| ·支持向量机基本原理 | 第26-33页 |
| ·预备知识 | 第27-31页 |
| ·支持向量机原理 | 第31-33页 |
| ·支持向量回归机 | 第33-36页 |
| ·线性回归的情况 | 第34-36页 |
| ·非线性回归的情况 | 第36页 |
| ·最小二乘支持向量机 | 第36-39页 |
| ·最小二乘支持向量机算法 | 第37-38页 |
| ·核函数选取 | 第38页 |
| ·模型参数选取 | 第38-39页 |
| ·超短期负荷组合预测 | 第39-43页 |
| ·元学习概念 | 第39-40页 |
| ·元学习定义 | 第40页 |
| ·基于元学习的组合预测器结构 | 第40-41页 |
| ·基预测器及特征属性选取 | 第41-42页 |
| ·元预测器的学习算法 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 算例分析 | 第44-49页 |
| ·训练样本及其特征选择 | 第44-45页 |
| ·特征选择 | 第44页 |
| ·训练样本选择 | 第44-45页 |
| ·最小二乘支持向量机参数选择 | 第45页 |
| ·误差分析依据 | 第45-46页 |
| ·预测流程图 | 第46-47页 |
| ·预测结果比较分析 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 第五章 结论与展望 | 第49-51页 |
| ·全文总结 | 第49页 |
| ·有待进一步研究的工作 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 在校期间发表的学术论文和参加科研情况 | 第56页 |
