| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第1章 绪论 | 第8-17页 |
| ·负荷预测的意义及其分类 | 第8-10页 |
| ·负荷预测的背景及意义 | 第8页 |
| ·电力负荷预测的分类 | 第8-10页 |
| ·电力负荷预测的研究现状 | 第10-11页 |
| ·电力负荷特性及负荷预测的特点 | 第11-12页 |
| ·电力负荷特性 | 第11页 |
| ·电力负荷预测的特点 | 第11-12页 |
| ·短期负荷预测的要求和步骤 | 第12-15页 |
| ·历史负荷数据的收集与选择 | 第14页 |
| ·历史负荷数据的预处理过程 | 第14页 |
| ·建立合理的电力负荷预测模型 | 第14-15页 |
| ·本文研究的主要内容及章节安排 | 第15-17页 |
| 第2章 短期负荷预测的模型和方法 | 第17-29页 |
| ·传统短期负荷预测方法 | 第17-22页 |
| ·指数平滑法 | 第17-18页 |
| ·灰色预测法 | 第18-19页 |
| ·时间序列法 | 第19-20页 |
| ·回归模型法 | 第20-21页 |
| ·卡尔曼(Kalman)滤波法 | 第21-22页 |
| ·传统预测方法的特点 | 第22页 |
| ·现代短期负荷预测方法 | 第22-29页 |
| ·小波分析预测法 | 第22-23页 |
| ·支持向量机预测法 | 第23-24页 |
| ·人工神经网络预测法 | 第24-25页 |
| ·专家系统预测法 | 第25-26页 |
| ·模糊理论预测法 | 第26-27页 |
| ·现代预测方法的特点 | 第27-29页 |
| 第3章 统计学习理论与支持向量机 | 第29-47页 |
| ·支持向量机的统计学理论基础 | 第29-36页 |
| ·机器学习问题的表示 | 第30-31页 |
| ·VC(Vapnik-Cheronenkis)维和推广性的界 | 第31-33页 |
| ·经验风险最小化原则(EMR) | 第33-34页 |
| ·结构风险最小化原则(SRM) | 第34-36页 |
| ·支持向量机 | 第36-45页 |
| ·最优分类面和支持向量 | 第37-39页 |
| ·高维空间中的最优分类面和支持向量机 | 第39-41页 |
| ·支持向量机的回归分析 | 第41-45页 |
| ·核函数 | 第45-47页 |
| 第4章 基于支持向量机的短期电力负荷预测 | 第47-60页 |
| ·电力系统短期负荷特性分析 | 第47-52页 |
| ·时间因素 | 第48-51页 |
| ·天气因素 | 第51-52页 |
| ·其它影响因素 | 第52页 |
| ·基于支持向量机的电力系统短期负荷预测 | 第52-57页 |
| ·样本及其输入输出量的选择 | 第52-53页 |
| ·核函数的选取以及参数的选择 | 第53-54页 |
| ·短期电力负荷预测步骤 | 第54-55页 |
| ·验算结果 | 第55-56页 |
| ·实例分析 | 第56-57页 |
| ·基于SVM的短期负荷预测与神经网络法的比较 | 第57-60页 |
| 第5章 基于F-score特征选择和支持向量机的短期电力负荷预测 | 第60-65页 |
| ·特征选择概述 | 第60-61页 |
| ·F-score特征选择方法 | 第61-62页 |
| ·基于F-score特征向量和支持向量机的负荷预测计算实例 | 第62-65页 |
| 第6章 结论与展望 | 第65-67页 |
| ·全文的总结 | 第65-66页 |
| ·后继工作的展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第70-71页 |
| 致谢 | 第71-72页 |
| 附录 | 第72-74页 |
