| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 短期负荷预测的研究背景 | 第10-11页 |
| 1.2 短期负荷预测的主要研究方法 | 第11-13页 |
| 1.3 支持向量机的发展及其在电力系统的应用 | 第13-14页 |
| 1.4 本文的主要工作 | 第14-16页 |
| 第2章 负荷预测的影响因素分析 | 第16-28页 |
| 2.1 负荷特性分析 | 第16-19页 |
| 2.1.1 负荷的基本组成及其特性 | 第16-17页 |
| 2.1.2 典型负荷分量特性 | 第17-18页 |
| 2.1.3 天气敏感负荷分量的特性 | 第18-19页 |
| 2.1.4 随机负荷分量的特性 | 第19页 |
| 2.2 气象因素的量化过程分析 | 第19-20页 |
| 2.3 负荷与气象因素的关联度分析 | 第20-21页 |
| 2.4 敏感度分析 | 第21-24页 |
| 2.4.1 灵敏度计算 | 第21-22页 |
| 2.4.2 灰色模型GM(1,1)模型分析 | 第22-23页 |
| 2.4.3 线性拟合和指数拟合 | 第23-24页 |
| 2.5 负荷预测的误差分析 | 第24-25页 |
| 2.6 本章小结 | 第25-28页 |
| 第3章 基于SVM的短期负荷预测模型 | 第28-54页 |
| 3.1 SVM理论 | 第28-33页 |
| 3.1.1 线性分类器 | 第28页 |
| 3.1.2 最优超平面 | 第28-29页 |
| 3.1.3 线性情况 | 第29-31页 |
| 3.1.4 非线性情况 | 第31页 |
| 3.1.5 核函数 | 第31-33页 |
| 3.2 支持向量机回归原理 | 第33-38页 |
| 3.2.1 支持向量机回归算法 | 第33-35页 |
| 3.2.2 支持向量机的最优化回归算法 | 第35-36页 |
| 3.2.3 支持向量机的参数选择 | 第36-38页 |
| 3.3 基于SVM的短期负荷预测模型 | 第38-52页 |
| 3.3.1 基于SVM的短期负荷预测模型建立 | 第38-40页 |
| 3.3.2 SVM负荷预测模型核函数的选取 | 第40-45页 |
| 3.3.3 SVM短期负荷预测模型的实例分析 | 第45-52页 |
| 3.4 本章小结 | 第52-54页 |
| 第4章 Boosting-SVM短期负荷预测模型 | 第54-70页 |
| 4.1 Boosting算法原理概述 | 第54-58页 |
| 4.1.1 Boosting原理 | 第54-56页 |
| 4.1.2 Boosting算法分析 | 第56-58页 |
| 4.2 Boosting-SVM短期负荷预测模型 | 第58-63页 |
| 4.2.1 负荷滤波模型 | 第58-61页 |
| 4.2.2 预测模型 | 第61-63页 |
| 4.3 Boosting-SVM负荷预测的实例应用分析 | 第63-68页 |
| 4.4 本章小结 | 第68-70页 |
| 第5章 总结与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-78页 |
| 攻读硕士学位期间科研情况 | 第78-80页 |
| 附录 | 第80-81页 |