| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-17页 |
| 1．1 电力系统负荷预测的基本理论 | 第8-11页 |
| 1．1．1 电力系统负荷预测的概念和特点 | 第8页 |
| 1．1．2 电力系统负荷预测的原理和步骤 | 第8页 |
| 1．1．3 电力系统负荷预测的分类 | 第8-10页 |
| 1．1．4 电力系统负荷预测的意义 | 第10-11页 |
| 1．2 电力系统负荷预测的国内外发展现状 | 第11-16页 |
| 1．2．1 传统预测方法 | 第11-13页 |
| 1．2．2 负荷预测技术的新进展 | 第13-16页 |
| 1．3 本论文的主要研究内容 | 第16-17页 |
| 2 支持向量机的基本理论 | 第17-32页 |
| 2．1 机器学习和统计学基本理论 | 第17-20页 |
| 2．1．1 经验风险最小化 | 第17-18页 |
| 2．1．2 模型复杂度和推广能力 | 第18-19页 |
| 2．1．3 VC维 | 第19页 |
| 2．1．4 结构风险最小化原理 | 第19-20页 |
| 2．2 支持向量机基本原理 | 第20-21页 |
| 2．3 支持向量机的数学模型 | 第21-28页 |
| 2．3．1 SVC支持向量分类模型 | 第21-25页 |
| 2．3．2 SVR支持向量回归模型 | 第25-28页 |
| 2．4 SVM网络结构 | 第28页 |
| 2．5 SVM支持向量机训练算法 | 第28-32页 |
| 2．5．1 经典二次规划算法 | 第29页 |
| 2．5．2 块选算法 | 第29-30页 |
| 2．5．3 分解算法 | 第30-31页 |
| 2．5．4 增量算法 | 第31-32页 |
| 3 短期负荷预测模型分析 | 第32-42页 |
| 3．1 短期负荷的特点 | 第32-35页 |
| 3．2 影响短期负荷的主要因素 | 第35-36页 |
| 3．3 电力系统短期负荷预测的步骤 | 第36-42页 |
| 3．3．1 历史数据的收集和选择 | 第36页 |
| 3．3．2 历史数据的预处理 | 第36-39页 |
| 3．3．3 建立合理的电力负荷预测模型 | 第39-40页 |
| 3．3．4 电力负荷预测值的误差分析 | 第40-42页 |
| 4 基于 SVM的云南电网短期负荷预测算例分析 | 第42-58页 |
| 4．1 样本的选取和历史资料的收集 | 第42-43页 |
| 4．2 样本集的构造和数据的预处理 | 第43-46页 |
| 4．3 训练网络 | 第46-49页 |
| 4．3．1 训练算法的选择 | 第46-47页 |
| 4．3．2 核函数的构造和参数的选取 | 第47-49页 |
| 4．4 云南电网未来一天96个点负荷预测的结果分析 | 第49-58页 |
| 5 短期负荷预测软件的实现与应用 | 第58-63页 |
| 5．1 项目背景介绍 | 第58-60页 |
| 5．2 负荷预测模块功能和主要界面介绍 | 第60-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间发表学术论文情况 | 第68-69页 |
| 致谢 | 第69-70页 |
| 大连理工大学学位论文版权使用授权书 | 第70页 |