| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 概述 | 第10页 |
| 1.2 电力系统短期负荷预测发展及研究现状 | 第10-15页 |
| 1.2.1 短期负荷预测的特点 | 第10-11页 |
| 1.2.2 短期负荷预测的影响因素 | 第11页 |
| 1.2.3 短期负荷预测的常用方法 | 第11-13页 |
| 1.2.4 短期负荷预测研究现状 | 第13-15页 |
| 1.3 本文主要内容 | 第15-17页 |
| 第2章 负荷预处理 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 负荷坏数据的聚类算法 | 第17-21页 |
| 2.2.1 聚类的概念 | 第17-18页 |
| 2.2.2 模糊C均值聚类算法（FCM） | 第18-19页 |
| 2.2.3 改进模糊C均值聚类算法（IFCM） | 第19-21页 |
| 2.3 负荷坏数据的辨识与修正 | 第21-22页 |
| 2.3.1 负荷坏数据辨识 | 第22页 |
| 2.3.2 负荷坏数据修正 | 第22页 |
| 2.4 算例分析 | 第22-26页 |
| 2.4.1 样本集的产生 | 第23-24页 |
| 2.4.2 样本训练过程 | 第24-26页 |
| 2.4.3 算例结果分析 | 第26页 |
| 2.5 结论 | 第26-27页 |
| 第3章 小波分析思想在短期负荷预测中的应用 | 第27-35页 |
| 3.1 引言 | 第27页 |
| 3.2 小波分析理论 | 第27-30页 |
| 3.2.1 小波变换 | 第27-28页 |
| 3.2.2 多分辨率分析 | 第28-29页 |
| 3.2.3 马拉(Mallat)算法 | 第29-30页 |
| 3.3 小波分析算例分析 | 第30-32页 |
| 3.4 非线性最小二乘拟合 | 第32-34页 |
| 3.4.1 非线性最小二乘拟合原理 | 第32-33页 |
| 3.4.2 低频分量的非线性最小二乘拟合 | 第33-34页 |
| 3.5 结论 | 第34-35页 |
| 第4章 基于高斯混沌粒子群和前馈神经网络的预测 | 第35-45页 |
| 4.1 引言 | 第35页 |
| 4.2 前馈神经网络 | 第35-36页 |
| 4.3 高斯混沌粒子群算法 | 第36-38页 |
| 4.3.1 粒子群算法 | 第36-37页 |
| 4.3.2 高斯混沌粒子群算法 | 第37-38页 |
| 4.4 高斯混沌粒子群优化FNN思想 | 第38-39页 |
| 4.5 算例分析 | 第39-44页 |
| 4.5.1 前馈神经网络设计和GCPSO算法参数确定 | 第39-40页 |
| 4.5.2 预测过程 | 第40-44页 |
| 4.6 结论 | 第44-45页 |
| 第5章 基于改进混沌理论和ELMAN神经网络的预测 | 第45-56页 |
| 5.1 引言 | 第45页 |
| 5.2 改进混沌理论 | 第45-49页 |
| 5.2.1 混沌的相关基本知识 | 第45-46页 |
| 5.2.2 混沌预测理论 | 第46-48页 |
| 5.2.3 改进混沌预测理论 | 第48-49页 |
| 5.3 ELMAN神经网络 | 第49-50页 |
| 5.4 基于改进混沌理论和ELMAN网络的预测思想 | 第50-52页 |
| 5.5 算例分析 | 第52-55页 |
| 5.5.1 基于改进混沌理论的相空间重构 | 第52-53页 |
| 5.5.2 Elman神经网络结构设计 | 第53-55页 |
| 5.6 结论 | 第55-56页 |
| 第6章 基于核主成分分析和最小二乘支持向量回归机的预测 | 第56-70页 |
| 6.1 引言 | 第56页 |
| 6.2 核主成分分析 | 第56-58页 |
| 6.2.1 主成分分析 | 第56-57页 |
| 6.2.2 核主成分分析 | 第57-58页 |
| 6.2.3 KPCA实现步骤 | 第58页 |
| 6.3 支持向量机理论 | 第58-63页 |
| 6.3.1 统计学习理论 | 第58-59页 |
| 6.3.2 支持向量机 | 第59页 |
| 6.3.3 支持向量回归机 | 第59-62页 |
| 6.3.4 最小二乘支持向量回归机 | 第62-63页 |
| 6.4 自适应混沌粒子群算法 | 第63-65页 |
| 6.4.1 混沌粒子群算法 | 第63页 |
| 6.4.2 自适应粒子群算法 | 第63-64页 |
| 6.4.3 ACPSO算法流程 | 第64-65页 |
| 6.5 算例分析 | 第65-69页 |
| 6.5.1 LSSVR的结构 | 第65页 |
| 6.5.2 核主成分分析结果 | 第65-66页 |
| 6.5.3 基于ACPSO优化的LSSVR预测 | 第66-69页 |
| 6.6 结论 | 第69-70页 |
| 第7章 基于组合预测思想的短期负荷预测 | 第70-77页 |
| 7.1 引言 | 第70页 |
| 7.2 全天统一权重的组合预测 | 第70-73页 |
| 7.2.1 组合预测模型的基本假设 | 第70-71页 |
| 7.2.2 组合预测模型的构成 | 第71页 |
| 7.2.3 平均权重方式的组合预测模型 | 第71-72页 |
| 7.2.4 最优虚拟预测方式的组合预测模型 | 第72-73页 |
| 7.3 分时段变权重的组合预测 | 第73-74页 |
| 7.3.1 t时段组合预测模型的构成 | 第73-74页 |
| 7.3.2 t时段组合预测模型的权重求解 | 第74页 |
| 7.4 算例分析 | 第74-76页 |
| 7.5 结论 | 第76-77页 |
| 第8章 结论与展望 | 第77-79页 |
| 8.1 结论 | 第77-78页 |
| 8.2 展望 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 攻读硕士学位期间发表的论文 | 第85-86页 |
| 攻读硕士学位期间参加的科研工作 | 第86-87页 |
| 致谢 | 第87页 |
