基于人工蜂群优化LS-SVM短期负荷预测研究
| 致谢 | 第1-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-18页 |
| ·电力负荷预测研究背景及其意义 | 第10页 |
| ·电力负荷预测分类 | 第10-11页 |
| ·短期负荷预测 | 第11-17页 |
| ·短期负荷预测特点 | 第11-12页 |
| ·短期负荷预测的基本步骤 | 第12页 |
| ·短期负荷预测国内外研究现状 | 第12-13页 |
| ·短期负荷预测方法 | 第13-15页 |
| ·支持向量机在短期负荷预测中的应用 | 第15-16页 |
| ·短期负荷预测误差指标 | 第16-17页 |
| ·本文主要研究内容及章节安排 | 第17-18页 |
| 2 支持向量机基本理论 | 第18-29页 |
| ·机器学习理论 | 第18-19页 |
| ·机器学简介 | 第18页 |
| ·经验风险最小化原则 | 第18-19页 |
| ·统计学习相关介绍 | 第19-21页 |
| ·VC维 | 第19页 |
| ·结构风险最小化 | 第19-21页 |
| ·支持向量机理论 | 第21-25页 |
| ·支持向量机的回归原理 | 第21-24页 |
| ·支持向量机与神经网络的对比 | 第24-25页 |
| ·最小二乘支持向量机 | 第25-29页 |
| ·最小二乘支持向量机基本原理 | 第25-26页 |
| ·核函数的选择 | 第26-27页 |
| ·LSSVM参数对性能的影响 | 第27-28页 |
| ·最小二乘支持向量机的优点 | 第28-29页 |
| 3 人工蜂群算法及其改进 | 第29-37页 |
| ·人工蜂群算法 | 第29-31页 |
| ·人工蜂群算法原理 | 第29-30页 |
| ·标准人工蜂群算法流程 | 第30页 |
| ·人工蜂群算法研究现状 | 第30-31页 |
| ·人工蜂群算法的改进 | 第31-33页 |
| ·混沌人工蜂群算法 | 第31-32页 |
| ·混沌人工蜂群算法流程 | 第32-33页 |
| ·算法性能分析 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 4 建立基于蜂群优化算法LS-SVM负荷预测模型 | 第37-46页 |
| ·短期负荷预测的影响因素 | 第37-40页 |
| ·短期负荷的基本组成 | 第37-38页 |
| ·典型负荷的周期性 | 第38-40页 |
| ·数据的前期处理 | 第40-42页 |
| ·缺失数据的修补 | 第40页 |
| ·异常数据的处理 | 第40-41页 |
| ·数据的归一化处理 | 第41页 |
| ·输入变量及样本的选择 | 第41-42页 |
| ·基于标准蜂群优化LS-SVM预测模型的建立 | 第42-44页 |
| ·参数的设置和模型的建立 | 第42-44页 |
| ·基于改进蜂群优化LS-SVM预测模型的建立 | 第44-45页 |
| ·参数的设置与模型的建立 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 5 短期负荷预测 | 第46-54页 |
| ·基于LS-SVM短期负荷预测 | 第46-49页 |
| ·实际算例 | 第46-49页 |
| ·结果分析 | 第49页 |
| ·基于蜂群优化LS-SVM短期负荷预测 | 第49-53页 |
| ·实际算例 | 第49-53页 |
| ·误差分析 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 作者简历 | 第59-61页 |
| 学位论文数据集 | 第61页 |
