| 中文摘要 | 第1页 |
| 英文摘要 | 第4-7页 |
| 第一章 绪论 | 第7-14页 |
| ·短期负荷预测的重要意义 | 第7-8页 |
| ·短期负荷预测研究现状 | 第8-12页 |
| ·传统负荷预测 | 第8页 |
| ·现代负荷预测 | 第8-12页 |
| ·目前电力系统短期负荷预测存在的问题 | 第12页 |
| ·本文所做工作 | 第12-14页 |
| 第二章 电力系统负荷序列的聚类分析 | 第14-23页 |
| ·自组织特征映射神经网络 | 第14-17页 |
| ·自组织特征映射神经网络简介 | 第14-15页 |
| ·自组织特征映射神经网络模型学习过程 | 第15-16页 |
| ·自组织特征映射神经网络学习具体步骤 | 第16-17页 |
| ·基于自组织特征映射神经网络的负荷序列聚类分析 | 第17-23页 |
| ·聚类结果 | 第17-18页 |
| ·结果分析 | 第18-23页 |
| 第三章 负荷与气象因素关系的分层分析 | 第23-35页 |
| ·经验模式分解方法 | 第24-25页 |
| ·经验模式分解概念 | 第24页 |
| ·经验模式分解的流程 | 第24-25页 |
| ·Spearman 秩相关系数 | 第25-26页 |
| ·负荷分层并与气象因素相关性分析思路 | 第26-28页 |
| ·实例分析 | 第28-35页 |
| ·夏季正常工作日 | 第29-31页 |
| ·夏季降雨工作日 | 第31-33页 |
| ·全部聚类的分层分析 | 第33-35页 |
| 第四章 基于 PSO-SVM 的电力系统短期负荷预测模型 | 第35-47页 |
| ·支持向量机 | 第35-41页 |
| ·支持向量机理论基础 | 第35-39页 |
| ·支持向量回归算法 | 第39-41页 |
| ·支持向量机核函数及参数分析 | 第41页 |
| ·粒子群优化算法 | 第41-44页 |
| ·粒子群算法原理 | 第42-43页 |
| ·粒子群参数分析 | 第43页 |
| ·粒子群算法步骤 | 第43-44页 |
| ·粒子群优化的支持向量机短期负荷预测模型 | 第44-47页 |
| ·构建PSO-SVM 模型 | 第44-45页 |
| ·PSO-SVM 程序流程图 | 第45页 |
| ·算例分析 | 第45-47页 |
| 第五章 分层考虑气象因素的 PSO-SVM 短期负荷预测 | 第47-53页 |
| ·总体思路 | 第47-49页 |
| ·算例分析 | 第49-52页 |
| ·普通日负荷预测 | 第49-51页 |
| ·降雨日负荷预测 | 第51-52页 |
| ·总体误差分析 | 第52-53页 |
| 第六章 结论与展望 | 第53-55页 |
| ·结论 | 第53页 |
| ·展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间发表的学术论文和参加科研情况 | 第59页 |