| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 短期电力负荷预测的研究现状 | 第13-20页 |
| 1.2.1 传统预测方法 | 第13-14页 |
| 1.2.2 人工智能预测方法 | 第14-16页 |
| 1.2.3 大数据预测方法 | 第16-18页 |
| 1.2.4 负荷波动的内外因素和机理研究 | 第18-19页 |
| 1.2.5 小结 | 第19-20页 |
| 1.3 论文研究内容与结构 | 第20-21页 |
| 第2章 电力负荷预测概述 | 第21-30页 |
| 2.1 电力负荷预测分类 | 第21-22页 |
| 2.2 短期电力负荷预测的特点与原理 | 第22-23页 |
| 2.2.1 负荷预测的特点 | 第22页 |
| 2.2.2 负荷预测的原理 | 第22-23页 |
| 2.3 负荷预测的误差分析 | 第23-24页 |
| 2.4 负荷预测算法 | 第24-29页 |
| 2.4.1 迁移学习 | 第24-25页 |
| 2.4.2 最小二乘支持向量机 | 第25-29页 |
| 2.5 负荷预测的基本步骤 | 第29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于EMD的负荷波动内外因素分析及特征提取研究 | 第30-47页 |
| 3.1 异常和缺失数据处理 | 第31-32页 |
| 3.1.1 利用横向相似性判断负荷异常和缺失数据 | 第31页 |
| 3.1.2 利用纵向相似性判断负荷异常和缺失数据 | 第31-32页 |
| 3.1.3 负荷异常和缺失的修正 | 第32页 |
| 3.1.4 数据标准化 | 第32页 |
| 3.2 EMD分解的原理及具体步骤 | 第32-35页 |
| 3.2.1 EMD算法基本原理 | 第33-34页 |
| 3.2.2 EMD分解 | 第34-35页 |
| 3.2.3 EMD边界处理问题 | 第35页 |
| 3.3 基于EMD的短期电力负荷内外因素分析及机理研究 | 第35-44页 |
| 3.3.1 时间特性 | 第36-39页 |
| 3.3.2 气象因素 | 第39-43页 |
| 3.3.3 节假日因素 | 第43-44页 |
| 3.3.4 经济增长率 | 第44页 |
| 3.4 负荷影响波动多元化特征提取 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于竞争迁移学习EMD和LSSVM的短期负荷预测建模 | 第47-52页 |
| 4.1 竞争迁移学习的EMD | 第47-50页 |
| 4.1.1 源任务的选取 | 第48-49页 |
| 4.1.2 竞争迁移学习的EMD | 第49-50页 |
| 4.2 基于竞争迁移学习EMD和LSSVM的短期负荷预测模型的实现 | 第50-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 基于竞争迁移学习EMD和LSSVM的短期电力负荷预测研究 | 第52-58页 |
| 5.1 研究环境 | 第52页 |
| 5.2 评估指标 | 第52-53页 |
| 5.3 数据集选取 | 第53页 |
| 5.4 预测案例研究 | 第53-57页 |
| 5.4.1 特征提取实验 | 第54-55页 |
| 5.4.2 常规预测模型的预测实验 | 第55页 |
| 5.4.3 基于EMD和LSSVM的预测模型的预测实验 | 第55-56页 |
| 5.4.4 基于竞争迁移学习EMD和LSSVM的预测模型的预测实验 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录A 攻读学位期间发表的论文和专利 | 第64-65页 |
| 附录B 攻读学位期间参与的科研项目 | 第65-66页 |
| 致谢 | 第66页 |
