| 摘要 | 第7-8页 |
| Abstract | 第8页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 电力系统负荷预测研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.3 短期负荷预测的步骤 | 第12-13页 |
| 1.4 本文章节安排 | 第13-14页 |
| 第2章 电力系统负荷预测基本理论 | 第14-19页 |
| 2.1 电力系统负荷预测的分类以及特点 | 第14-15页 |
| 2.1.1 电力系统负荷预测的分类 | 第14页 |
| 2.1.2 负荷预测的特点 | 第14-15页 |
| 2.2 负荷预测基本原理 | 第15页 |
| 2.3 电力系统负荷预测的主要方法 | 第15-18页 |
| 2.4 误差分析指标 | 第18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 短期负荷预测影响因素分析及数据预处理 | 第19-28页 |
| 3.1 负荷预测影响因素分析 | 第19-23页 |
| 3.1.1 气象因素 | 第19-20页 |
| 3.1.2 日期因素 | 第20-23页 |
| 3.1.3 经济因素 | 第23页 |
| 3.2 数据的预处理 | 第23-27页 |
| 3.2.1 负荷数据的预处理方法 | 第24-25页 |
| 3.2.2 输入变量和样本的筛选及其归一化处理 | 第25-27页 |
| 3.3 本章小结 | 第27-28页 |
| 第4章 基于最小二乘支持向量机负荷预测 | 第28-42页 |
| 4.1 支持向量机基本原理 | 第28-35页 |
| 4.1.1 线性学习机 | 第28-30页 |
| 4.1.2 支持向量机 | 第30-31页 |
| 4.1.3 支持向量机分类原理 | 第31-33页 |
| 4.1.4 支持向量机回归原理 | 第33-35页 |
| 4.2 最小二乘支持向量机(LS-SVM) | 第35-37页 |
| 4.2.1 SVM-LS方法基本原理 | 第35-36页 |
| 4.2.2 核函数的选择 | 第36页 |
| 4.2.3 LS-SVM模型建立思路 | 第36-37页 |
| 4.3 实例分析——LS-SVM预测模型预测 | 第37-42页 |
| 4.3.1 参数的分析与设置 | 第37页 |
| 4.3.2 预测仿真 | 第37-40页 |
| 4.3.3 目前算法存在的不足与处理方法 | 第40-42页 |
| 第5章 粒子群优化算法的LS-SVM预测方法的短期负荷预测 | 第42-50页 |
| 5.1 粒子群优化算法理论 | 第42-44页 |
| 5.1.1 基本思想 | 第42页 |
| 5.1.2 粒子群优化算法的定义 | 第42-43页 |
| 5.1.3 粒子群优化算法流程 | 第43-44页 |
| 5.2 建立基于粒子群优化算法的LS-SVM模型 | 第44-46页 |
| 5.2.1 粒子群优化算法的参数分析 | 第44页 |
| 5.2.2 粒子群优化算法的参数设置 | 第44-45页 |
| 5.2.3 基于PSO算法的LS-SVM模型建立思路 | 第45-46页 |
| 5.3 实例分析——基于PSO优化算法的LS-SVM预测模型预测 | 第46-49页 |
| 5.4 本章小结 | 第49-50页 |
| 总结与展望 | 第50-52页 |
| 研究工作总结 | 第50页 |
| 今后的展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56页 |
