基于最小二乘支持向量机的短期电力负荷预测方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 引言 | 第11-22页 |
| ·电力负荷预测的意义和分类 | 第11-12页 |
| ·负荷预测的基本原理 | 第12页 |
| ·负荷预测的特点 | 第12-13页 |
| ·短期负荷预测的研究方法 | 第13-18页 |
| ·传统预测方法 | 第13-15页 |
| ·现代预测方法 | 第15-18页 |
| ·支持向量机在电力负荷预测中的研究现状 | 第18-19页 |
| ·短期电力负荷预测的新内容 | 第19-20页 |
| ·考虑分时段气象因素的负荷预测 | 第19-20页 |
| ·扩展短期负荷预测 | 第20页 |
| ·本文的主要研究内容和章节安排 | 第20-22页 |
| 第2章 支持向量机 | 第22-38页 |
| ·机器学习问题 | 第22-24页 |
| ·问题的表示 | 第22-23页 |
| ·经验风险最小化 | 第23页 |
| ·复杂性与推广能力 | 第23-24页 |
| ·统计学习理论 | 第24-25页 |
| ·VC维 | 第24页 |
| ·结构风险最小化 | 第24-25页 |
| ·支持向量机的基本原理 | 第25-33页 |
| ·预备知识 | 第25-28页 |
| ·支持向量机分类原理 | 第28-29页 |
| ·支持向量机回归原理 | 第29-33页 |
| ·支持向量机的训练算法 | 第33-34页 |
| ·最小二乘支持向量机 | 第34-37页 |
| ·最小二乘支持向量机的基本原理 | 第34-36页 |
| ·最小二乘支持向量机的特点 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 最小二乘支持向量机模型参数的优化选择 | 第38-49页 |
| ·模型选择 | 第38-40页 |
| ·输入变量的选择 | 第38页 |
| ·核函数类型的选择 | 第38-40页 |
| ·模型参数的选择 | 第40页 |
| ·联合相似日和蚁群算法的模型参数选择方法 | 第40-46页 |
| ·相似日的确定 | 第41-42页 |
| ·优化问题的目标函数 | 第42页 |
| ·蚁群算法 | 第42-44页 |
| ·选择参数的步骤 | 第44-46页 |
| ·实例分析 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第4章 基于最小二乘支持向量机的短期负荷预测 | 第49-69页 |
| ·负荷预测模型的误差评价 | 第49-50页 |
| ·异常负荷数据的预处理 | 第50-53页 |
| ·异常负荷数据产生原因 | 第50页 |
| ·异常负荷数据的预处理方法 | 第50-53页 |
| ·短期负荷预测的影响因素 | 第53-56页 |
| ·气象条件的影响 | 第53-55页 |
| ·特殊节假日的影响 | 第55-56页 |
| ·不确定因素的影响 | 第56页 |
| ·气象条件的累积效应 | 第56-59页 |
| ·预测模型的建立 | 第59-64页 |
| ·考虑气象条件的LS-SVM预测模型 | 第59-63页 |
| ·不考虑气象条件的LS-SVM预测模型 | 第63页 |
| ·AR预测模型 | 第63-64页 |
| ·实例分析 | 第64-68页 |
| ·本章小结 | 第68-69页 |
| 第5章 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 攻读学位期间发表论文情况 | 第77页 |
