基于集合经验模式分解的短期电力负荷混合算法研究与应用
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 数据挖掘相关概念解析 | 第8-10页 |
| 1.1.1 数据挖掘定义 | 第8页 |
| 1.1.2 数据挖掘常用技术 | 第8-9页 |
| 1.1.3 数据挖掘功能 | 第9-10页 |
| 1.2 数据挖掘技术在电力负荷中的应用 | 第10-16页 |
| 1.2.1 数据挖掘与电力负荷预测的关系 | 第10-11页 |
| 1.2.2 电力负荷预测 | 第11-12页 |
| 1.2.3 短期电力负荷预测的目的和意义 | 第12-13页 |
| 1.2.4 预测方法国内外研究情况 | 第13-16页 |
| 1.3 本文主要工作及章节安排 | 第16-18页 |
| 第二章 集合经验模式分解 | 第18-22页 |
| 2.1 数据分解技术 | 第18页 |
| 2.2 经验模式分解 | 第18-20页 |
| 2.3 集合经验模式分解 | 第20-22页 |
| 第三章 预测方法理论 | 第22-32页 |
| 3.1 时间序列方法 | 第22-23页 |
| 3.1.1 ARIMA模型 | 第22-23页 |
| 3.1.2 SARIMA模型 | 第23页 |
| 3.2 灰色理论方法 | 第23-25页 |
| 3.3 混沌理论方法 | 第25-28页 |
| 3.3.1 相空间重构 | 第26页 |
| 3.3.2 互信息法确定时间延迟 | 第26-27页 |
| 3.3.3 Cao方法确定嵌入维 | 第27-28页 |
| 3.3.4 混沌时间序列预测 | 第28页 |
| 3.4 最小二乘支持向量机方法 | 第28-32页 |
| 第四章 粒子群优化算法 | 第32-36页 |
| 4.1 问题优化求解 | 第32页 |
| 4.2 粒子群算法 | 第32-34页 |
| 4.3 粒子群算法优化最小二乘支持向量机 | 第34-36页 |
| 第五章 混合预测方法研究与应用 | 第36-54页 |
| 5.1 混合预测方法设计 | 第36-38页 |
| 5.2 仿真数据的选取 | 第38页 |
| 5.3 预测性能评价准则 | 第38-39页 |
| 5.4 预测详细过程 | 第39-51页 |
| 5.5 预测结果的比较与分析 | 第51-54页 |
| 5.5.1 预测结果的比较 | 第51-53页 |
| 6.5.2 预测结果的分析 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 在学期间的研究成果 | 第59-60页 |
| 致谢 | 第60页 |
