| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 本课题研究的内容及意义 | 第8-10页 |
| 1.1.1 负荷预测周期性分类 | 第9页 |
| 1.1.2 短期负荷预测 | 第9-10页 |
| 1.2 电力系统短期负荷预测国内外研究现状 | 第10-11页 |
| 1.2.1 短期预测的发展历程 | 第10页 |
| 1.2.2 负荷预测的常用方法 | 第10-11页 |
| 1.3 支持向量机在短期负荷预测中的应用及存在问题 | 第11-12页 |
| 1.4 本文主要工作 | 第12-14页 |
| 2 支持向量机的基本理论 | 第14-24页 |
| 2.1 概述 | 第14页 |
| 2.2 统计学习 | 第14-16页 |
| 2.2.1 机器学习问题 | 第14-15页 |
| 2.2.2 推广性的界 | 第15页 |
| 2.2.3 结构风险最小化原则 | 第15-16页 |
| 2.3 支持向量机的理论 | 第16-20页 |
| 2.3.1 基本原理 | 第16-18页 |
| 2.3.2 非线性映射 | 第18-20页 |
| 2.4 支持向量机回归 | 第20-23页 |
| 2.4.1 标准支持向量机回归 | 第20-22页 |
| 2.4.2 最小二乘支持向量机 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于最小二乘支持向量机的短期负荷预测 | 第24-36页 |
| 3.1 概述 | 第24-30页 |
| 3.1.1 电力负荷分类与特性分析 | 第24-25页 |
| 3.1.2 负荷影响因素的特性 | 第25-28页 |
| 3.1.3 负荷预测基本过程 | 第28-29页 |
| 3.1.4 预测误差选择 | 第29-30页 |
| 3.2 负荷预测模型建立及实例分析 | 第30-35页 |
| 3.2.1 最小二乘支持向量机对负荷预测的模型 | 第30-32页 |
| 3.2.2 实例分析 | 第32-35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 支持向量机参数优化及负荷预测 | 第36-46页 |
| 4.1 预测模型中核函数以及参数选择 | 第36页 |
| 4.2 常见参数选择方法 | 第36-37页 |
| 4.2.1 双线性搜索法 | 第36-37页 |
| 4.2.2 标准网格搜索法 | 第37页 |
| 4.3 改进参数优化方法 | 第37-39页 |
| 4.3.1 改进双线性搜索法 | 第37-38页 |
| 4.3.2 改进网格搜索法 | 第38-39页 |
| 4.4 实例分析 | 第39-44页 |
| 4.4.1 常用方法寻优实例 | 第39-42页 |
| 4.4.2 改进方法的实例分析 | 第42-44页 |
| 4.5 几种参数选择对比分析 | 第44-45页 |
| 4.6 本章小结 | 第45-46页 |
| 5 基于混合核函数支持向量机的负荷预测 | 第46-58页 |
| 5.1 核函数研究 | 第46-49页 |
| 5.1.1 核函数的含义 | 第46页 |
| 5.1.2 局部核函数和全局核函数 | 第46-48页 |
| 5.1.3 混合核函数以及其预测模型建立 | 第48-49页 |
| 5.2 粒子群优化算法 | 第49-51页 |
| 5.3 改进粒子群算法 | 第51-53页 |
| 5.4 负荷预测实例分析 | 第53-57页 |
| 5.5 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64页 |