| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-13页 |
| ·研究背景及意义 | 第7-8页 |
| ·电力负荷预测的概念 | 第8-9页 |
| ·基本原理 | 第8-9页 |
| ·一般步骤 | 第9页 |
| ·国内外研究现状 | 第9-12页 |
| ·传统预测技术 | 第9-10页 |
| ·新型预测技术 | 第10-12页 |
| ·本文研究内容与结构安排 | 第12-13页 |
| 第二章 差分进化算法与支持向量机综述 | 第13-27页 |
| ·引言 | 第13页 |
| ·差分进化算法 | 第13-15页 |
| ·初始化种群 | 第13页 |
| ·变异操作 | 第13-14页 |
| ·交叉操作 | 第14页 |
| ·选择操作 | 第14-15页 |
| ·机器学习与统计学理论 | 第15-18页 |
| ·机器学习理论 | 第15-17页 |
| ·统计学理论 | 第17-18页 |
| ·支持向量机 | 第18-26页 |
| ·最优超平面 | 第19-20页 |
| ·线性支持向量机 | 第20-22页 |
| ·非线性支持向量机 | 第22-23页 |
| ·支持向量回归机 | 第23-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于Laplace 分布变异的自适应差分进化算法 | 第27-37页 |
| ·引言 | 第27页 |
| ·算法改进方向 | 第27-29页 |
| ·相关参数的研究 | 第27页 |
| ·进化策略的研究 | 第27-28页 |
| ·混合算法的研究 | 第28-29页 |
| ·自适应差分进化算法 | 第29-32页 |
| ·缩放因子的选择 | 第29-30页 |
| ·交叉概率的选择 | 第30页 |
| ·进化策略的选择 | 第30-31页 |
| ·算法流程及其时间复杂度 | 第31-32页 |
| ·实验仿真及结果分析 | 第32-35页 |
| ·测试函数 | 第32页 |
| ·实验仿真 | 第32-34页 |
| ·结果分析 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 第四章 基于混合核的支持向量机 | 第37-43页 |
| ·引言 | 第37页 |
| ·算法改进方向 | 第37页 |
| ·核函数介绍 | 第37-40页 |
| ·全局核函数 | 第39页 |
| ·局部核函数 | 第39-40页 |
| ·混合核函数 | 第40页 |
| ·实验仿真及结果分析 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 基于DE 的SVM 在短期负荷预测中的应用 | 第43-51页 |
| ·引言 | 第43页 |
| ·数据预处理 | 第43-46页 |
| ·缺失负荷数据处理 | 第43页 |
| ·负荷数据的垂直处理 | 第43-44页 |
| ·负荷数据的水平处理 | 第44-45页 |
| ·负荷数据的归一化处理 | 第45-46页 |
| ·负荷预测的误差分析 | 第46-47页 |
| ·误差产生原因 | 第46页 |
| ·误差指标 | 第46-47页 |
| ·基于DE 的SVM 预测模型 | 第47-49页 |
| ·样本集的构造 | 第47-48页 |
| ·负荷预测步骤 | 第48页 |
| ·实验仿真及结果分析 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 第六章 总结与展望 | 第51-53页 |
| ·全文总结 | 第51页 |
| ·未来工作展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第58页 |