| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 绪论 | 第9-18页 |
| ·引言 | 第9页 |
| ·电力系统负荷预测研究的历史和现状 | 第9-16页 |
| ·负荷预测分类 | 第9-10页 |
| ·电力系统负荷预测的发展 | 第10-11页 |
| ·国内外负荷预测的研究现状 | 第11-16页 |
| ·课题研究的意义 | 第16页 |
| ·本文所做的工作 | 第16-18页 |
| 第2章 支持向量机的回归理论 | 第18-31页 |
| ·机器学习简介 | 第18-20页 |
| ·机器学习的主要问题 | 第18-20页 |
| ·经验风险最小化 | 第20页 |
| ·统计学习理论 | 第20-24页 |
| ·VC维 | 第20-21页 |
| ·推广误差边界 | 第21-22页 |
| ·结构风险最小化归纳原理 | 第22-24页 |
| ·支持向量回归算法 | 第24-30页 |
| ·线性回归的情况 | 第25-27页 |
| ·非线性回归的情况 | 第27-29页 |
| ·核函数 | 第29-30页 |
| 本章小结 | 第30-31页 |
| 第3章 基于支持向量机的电力系统短期负荷预测 | 第31-46页 |
| ·电力系统短期负荷特性分析 | 第31-36页 |
| ·时间因素 | 第32-34页 |
| ·天气因素 | 第34-36页 |
| ·其它影响因素 | 第36页 |
| ·基于支持向量机的电力系统短期负荷预测 | 第36-39页 |
| ·样本及其输入输出量的选择 | 第36-37页 |
| ·具体负荷预测步骤 | 第37页 |
| ·验算结果 | 第37-39页 |
| ·基于 BP神经网络的电力系统短期负荷预测 | 第39-45页 |
| ·BP神经网络结构和学习算法概述 | 第40-42页 |
| ·BP神经网络算法步骤 | 第42-43页 |
| ·实际算例 | 第43-45页 |
| 本章小结 | 第45-46页 |
| 第4章 基于支持向量机的电力系统短期负荷预测的方法改进 | 第46-55页 |
| ·支持向量回归中的参数影响 | 第46-47页 |
| ·改进 SVM算法的短期负荷预测 | 第47-51页 |
| ·Grid-search参数选择原理 | 第47页 |
| ·Grid-search参数选择步骤 | 第47-50页 |
| ·实际算例 | 第50-51页 |
| ·基于 LS-SVM的电力系统短期负荷预测 | 第51-53页 |
| ·最小二乘支持向量机回归原理 | 第51-52页 |
| ·实际算例 | 第52-53页 |
| 本章小结 | 第53-55页 |
| 第5章 基于 PCA-SVM的电力系统短期负荷预测 | 第55-62页 |
| ·主成分分析理论 | 第55-58页 |
| ·概述 | 第55-57页 |
| ·主成分分析的算法原理 | 第57-58页 |
| ·基于 PCA-SVM的负荷预测模型建立 | 第58-59页 |
| ·基于 PCA-SVM的电力系统短期负荷预测计算实例 | 第59-61页 |
| 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 附录 | 第71-79页 |
| 攻读硕士学位期间发表的论文及参加的科研项目 | 第79页 |
