| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第20-30页 |
| 1.1 电力需求预测的研究背景 | 第20-22页 |
| 1.2 电力需求预测的研究目的及意义 | 第22-24页 |
| 1.3 国内外研究研究现状 | 第24-27页 |
| 1.4 本文研究的主要内容 | 第27-30页 |
| 第二章 电力预测基础理论与方法 | 第30-44页 |
| 2.1 常用的预测方法 | 第30-39页 |
| 2.2 数据处理方法 | 第39-44页 |
| 2.2.1 缺失数据填充 | 第39-40页 |
| 2.2.2 数据标准化 | 第40-41页 |
| 2.2.3 模型有效性和误差评价方法 | 第41-44页 |
| 第三章 单因素条件下的短期电力需求预测研究 | 第44-54页 |
| 3.1 引言 | 第44页 |
| 3.2 遗传算法原理 | 第44-48页 |
| 3.3 基于遗传优化的ARMA模型 | 第48-50页 |
| 3.4 实例分析 | 第50-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第四章 单因素条件下的中期电力需求预测研究 | 第54-92页 |
| 4.1 引言 | 第54页 |
| 4.2 支持向量原理 | 第54-65页 |
| 4.2.1 统计学习理论 | 第54-57页 |
| 4.2.2 经验风险最小化 | 第57-58页 |
| 4.2.3 结构风险最小化 | 第58-61页 |
| 4.2.4 支持向量回归原理 | 第61-65页 |
| 4.3 单因素下的季节性GATS支持向量回归模型 | 第65-75页 |
| 4.3.1 支持向量回归过程 | 第65-66页 |
| 4.3.2 季节性调整模型 | 第66-67页 |
| 4.3.3 基于遗传-禁忌混合策略搜索算法的参数寻优 | 第67-71页 |
| 4.3.4 实例分析 | 第71-75页 |
| 4.4 灰色原理及粒子群算法原理 | 第75-82页 |
| 4.4.1 灰色原理 | 第75-80页 |
| 4.4.2 粒子群算法原理 | 第80-82页 |
| 4.5 基于粒子群优化的改进GM(1,1)模型 | 第82-90页 |
| 4.5.1 GM(1,1)模型的建模过程 | 第82-83页 |
| 4.5.2 改进的灰色GM(1,1)模型 | 第83-86页 |
| 4.5.3 实例分析 | 第86-90页 |
| 4.6 本章小结 | 第90-92页 |
| 第五章 多因素条件下的中期电力需求预测研究 | 第92-104页 |
| 5.1 引言 | 第92页 |
| 5.2 多因素下的粒子群优化支持向量回归模型 | 第92-97页 |
| 5.2.1 支持向量回归过程 | 第92-94页 |
| 5.2.2 粒子群交叉验证算法参数寻优 | 第94-95页 |
| 5.2.3 实例分析 | 第95-97页 |
| 5.3 多因素下的遗传优化支持向量回归模型 | 第97-101页 |
| 5.3.1 支持向量回归过程 | 第97-98页 |
| 5.3.2 基于最小一乘的遗传算法参数寻优 | 第98-99页 |
| 5.3.3 实例分析 | 第99-101页 |
| 5.4 本章小结 | 第101-104页 |
| 第六章 多因素条件下的电力需求概率区间优化预测研究 | 第104-118页 |
| 6.1 引言 | 第104页 |
| 6.2 马尔可夫链原理及性质 | 第104-108页 |
| 6.3 优化SVR的加权马尔可夫链用电量预测 | 第108-116页 |
| 6.3.1 支持向量回归过程 | 第108页 |
| 6.3.2 网络搜索交叉验证参数寻优 | 第108-110页 |
| 6.3.3 GSCV-SVR模型的预测结果 | 第110-112页 |
| 6.3.4 基于马尔可夫链原理的区间优化预测 | 第112-116页 |
| 6.5 本章小结 | 第116-118页 |
| 第七章 总结与展望 | 第118-122页 |
| 7.1 总结 | 第118-120页 |
| 7.2 未来的展望 | 第120-122页 |
| 参考文献 | 第122-130页 |
| 攻读博士期间的科研项目及研究成果情况 | 第130页 |
| 1) 主要参加的科研项目 | 第130页 |
| 2) 发表的学术论文情况 | 第130页 |