| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 电力系统负荷预测的研究现状 | 第12-15页 |
| 1.3 本文研究的主要内容 | 第15-17页 |
| 第2章 局域波分解算法及端点效应分析 | 第17-26页 |
| 2.1 局域波分解算法 | 第17-23页 |
| 2.1.1 局域波分解基本理论 | 第17-19页 |
| 2.1.2 局域波分解常用算法 | 第19-23页 |
| 2.2 端点效应 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 电力系统短期负荷预测模型 | 第26-40页 |
| 3.1 电力系统负荷特性及预处理 | 第26-29页 |
| 3.1.1 电力负荷特性分析 | 第26-27页 |
| 3.1.2 负荷数据预处理方案 | 第27-29页 |
| 3.2 支持向量机 | 第29-35页 |
| 3.2.1 支持向量机原理 | 第29-32页 |
| 3.2.2 最小二乘支持向量机 | 第32-33页 |
| 3.2.3 LSSVM和SVM比较 | 第33-34页 |
| 3.2.4 核函数及参数 | 第34-35页 |
| 3.3 标准粒子群优化算法 | 第35-37页 |
| 3.4 短期负荷预测模型的具体实现 | 第37-39页 |
| 3.4.1 负荷历史数据的处理 | 第37-38页 |
| 3.4.2 负荷预测误差分析指标 | 第38-39页 |
| 3.4.3 输入变量选择 | 第39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于局域波分解的电力系统短期负荷预测人工智能算法 | 第40-52页 |
| 4.1 端点效应抑制算法的仿真分析与对比 | 第40-48页 |
| 4.1.1 传统端点效应抑制算法 | 第40-41页 |
| 4.1.2 四中点估计法 | 第41-43页 |
| 4.1.3 五种算法的评价指标和仿真分析 | 第43-48页 |
| 4.2 基于局域波分解和粒子群优化的支持向量机负荷预测法 | 第48-50页 |
| 4.2.1 预测模型的参数优化范围确定 | 第48-49页 |
| 4.2.2 DEMD-PSVM负荷预测建模 | 第49-50页 |
| 4.3 基于局域波分解的最小二乘支持向量机预测法 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 算例分析 | 第52-66页 |
| 5.1 基于DEMD-PSVM的负荷预测 | 第52-58页 |
| 5.2 基于DEMD-LSSVM的负荷预测 | 第58-62页 |
| 5.3 DEMD-SVM、DEMD-PSVM、DEMD-LSSVM预测模型对比分析 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 结论与展望 | 第66-68页 |
| 6.1 研究工作总结 | 第66-67页 |
| 6.2 后续研究工作展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 附录 | 第71-76页 |
| 攻读硕士学位期间发表的学术论文 | 第76-77页 |
| 致谢 | 第77页 |
