| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 插图索引 | 第10-11页 |
| 插表索引 | 第11-12页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 负荷预测发展现状 | 第13-14页 |
| 1.2.1 负荷预测的起源和发展 | 第13-14页 |
| 1.2.2 负荷预测国内外发展 | 第14页 |
| 1.3 负荷预测方法 | 第14-17页 |
| 1.4 本文主要研究内容 | 第17-18页 |
| 第2章 电力系统负荷预测分析 | 第18-30页 |
| 2.1 负荷预测概述 | 第18-21页 |
| 2.1.1 负荷预测的原理 | 第18-19页 |
| 2.1.2 负荷预测的特点 | 第19-20页 |
| 2.1.3 负荷预测评价指标 | 第20-21页 |
| 2.2 预测对象特性分析 | 第21-24页 |
| 2.2.1 负荷的周期性 | 第21-22页 |
| 2.2.2 日期类型 | 第22-23页 |
| 2.2.3 短期负荷与天气敏感因素的关系 | 第23-24页 |
| 2.2.4 异常或特殊事件对负荷的影响 | 第24页 |
| 2.3 历史负荷数据的预处理 | 第24-28页 |
| 2.3.1 异常数据处理 | 第25-26页 |
| 2.3.2 归一化处理 | 第26-28页 |
| 2.4 负荷预测步骤 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 最小二乘支持向量机(LSSVM)模型建立 | 第30-43页 |
| 3.1 机器学习理论 | 第30-34页 |
| 3.1.1 机器学习模型 | 第30-31页 |
| 3.1.2 经验风险最小化 | 第31-32页 |
| 3.1.3 结构风险最小化 | 第32-34页 |
| 3.2 支持向量机 | 第34-38页 |
| 3.2.1 支持向量机的基本原理 | 第34-35页 |
| 3.2.2 支持向量机回归原理 | 第35-37页 |
| 3.2.3 核函数的定义 | 第37-38页 |
| 3.3 最小二乘支持向量模型建立 | 第38-41页 |
| 3.3.1 最小二乘支持向量机基本原理 | 第38-40页 |
| 3.3.2 基于 LSSVM 负荷预测模型的建立 | 第40-41页 |
| 3.4 算例分析 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于 PSO 的 LSSVM 模型建立 | 第43-54页 |
| 4.1 粒子群优化算法的理论概述 | 第43-48页 |
| 4.1.1 粒子群优化算法概述 | 第43页 |
| 4.1.2 粒子群优化算法基本原理 | 第43-45页 |
| 4.1.3 基于 PSO 算法的 LSSVM 模型的建立 | 第45-46页 |
| 4.1.4 算例分析 | 第46-48页 |
| 4.2 改进粒子群优化算法 | 第48-52页 |
| 4.2.1 改进粒子群优化的方法 | 第48-50页 |
| 4.2.2 改进 PSO 的 LSSVM 负荷预测模型的建立 | 第50-51页 |
| 4.2.3 算例分析 | 第51-52页 |
| 4.3 LSSVM、PSO- LSSVM 和 IPSO- LSSVM 预测模型结果比较 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 总结及展望 | 第54-56页 |
| 本文工作总结 | 第54页 |
| 今后工作展望 | 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主要学术论文目录 | 第61-62页 |
| 附录B 攻读硕士学位期间所参加的科研项目目录 | 第62页 |
