基于机器学习的短期电力负荷预测算法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 短期电力负荷预测现状 | 第9-10页 |
| 1.2.2 机器学习研究现状 | 第10页 |
| 1.3 论文的研究内容 | 第10-11页 |
| 1.4 论文的结构安排 | 第11-12页 |
| 2 相关技术介绍 | 第12-16页 |
| 2.1 负荷预测方法概述 | 第12-14页 |
| 2.1.1 传统预测方法 | 第12-13页 |
| 2.1.2 智能预测方法 | 第13-14页 |
| 2.1.3 组合预测方法 | 第14页 |
| 2.2 机器学习概述 | 第14-15页 |
| 2.3 本章小结 | 第15-16页 |
| 3 电力负荷数据预处理与特征提取 | 第16-25页 |
| 3.1 数据来源 | 第16-17页 |
| 3.2 异常数据处理 | 第17-18页 |
| 3.2.1 错误数据的处理方法 | 第17-18页 |
| 3.2.2 缺失数据的处理方法 | 第18页 |
| 3.3 数据归一化处理 | 第18-19页 |
| 3.4 特征提取 | 第19-24页 |
| 3.4.1 短期电力负荷的影响因素 | 第19-21页 |
| 3.4.2 基于邻域粗糙集的特征提取 | 第21-23页 |
| 3.4.3 特征提取结果 | 第23-24页 |
| 3.5 本章小结 | 第24-25页 |
| 4 基于机器学习预测算法的研究 | 第25-51页 |
| 4.1 改进的最小二乘支持向量机预测算法 | 第25-34页 |
| 4.1.1 最小二乘支持向量机 | 第25-27页 |
| 4.1.2 LSSVM预测模型的建立 | 第27-29页 |
| 4.1.3 LSSVM模型的改进 | 第29-34页 |
| 4.2 BP神经网络预测算法 | 第34-40页 |
| 4.2.1 BP神经网络 | 第34-35页 |
| 4.2.2 BP神经网络预测模型的建立 | 第35-40页 |
| 4.3 深度置信网络(DBN)预测算法 | 第40-50页 |
| 4.3.1 受限玻尔兹曼机的结构及训练 | 第40-44页 |
| 4.3.2 DBN结构及训练 | 第44-46页 |
| 4.3.3 DBN预测模型的建立 | 第46-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 实验与结果 | 第51-55页 |
| 5.1 实验算例 | 第51页 |
| 5.2 实验分析 | 第51-54页 |
| 5.2.1 实验结果 | 第51-53页 |
| 5.2.2 误差对比分析 | 第53-54页 |
| 5.3 本章小结 | 第54-55页 |
| 6 结论与展望 | 第55-57页 |
| 6.1 结论 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 附录 | 第61页 |
