| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 论文研究的背景、目的及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.2.1 国内外智能配电网的研究现状 | 第13页 |
| 1.2.2 智能配电网环境下的负荷特性 | 第13-14页 |
| 1.3 短期负荷预测的研究现状 | 第14-18页 |
| 1.3.1 负荷预测的分类 | 第14-15页 |
| 1.3.2 电力系统负荷预测的方法 | 第15-17页 |
| 1.3.3 短期负荷预测的国内外研究现状及存在的问题 | 第17-18页 |
| 1.4 论文的研究内容及章节安排 | 第18-20页 |
| 第2章 电力系统负荷特性分析 | 第20-29页 |
| 2.1 电力系统负荷预测的基本概念 | 第20-21页 |
| 2.1.1 电力系统短期负荷预测的基本原理及特点 | 第20-21页 |
| 2.1.2 电力系统负荷预测特性分析 | 第21页 |
| 2.2 电力系统短期负荷预测模型 | 第21-24页 |
| 2.2.1 电力系统短期负荷预测特性 | 第21-22页 |
| 2.2.2 电力系统负荷分类分析 | 第22-24页 |
| 2.3 短期负荷预测的要求及步骤 | 第24-26页 |
| 2.3.1 短期负荷预测的要求 | 第24-25页 |
| 2.3.2 短期负荷预测的步骤 | 第25页 |
| 2.3.3 预测模型的评价指标 | 第25-26页 |
| 2.4 样本的选择和数据的预处理 | 第26-28页 |
| 2.4.1 样本选择的原则 | 第26-27页 |
| 2.4.2 异常数据的检测与处理 | 第27-28页 |
| 2.4.3 数据的归一化 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于LSSVM短期负荷预测模型的建立 | 第29-40页 |
| 3.1 统计学习理论 | 第29-30页 |
| 3.1.1 VC理论 | 第29-30页 |
| 3.1.2 结构风险最小化原则 | 第30页 |
| 3.2 支持向量机模型 | 第30-34页 |
| 3.2.1 支持向量机的分类模型 | 第31-32页 |
| 3.2.2 支持向量机的回归模型 | 第32-34页 |
| 3.3 最小二乘支持向量机模型 | 第34-38页 |
| 3.3.1 最小二乘支持向量机的回归原理 | 第34-35页 |
| 3.3.2 核函数的选择 | 第35-37页 |
| 3.3.3 最小二乘支持向量机算法的基本流程 | 第37-38页 |
| 3.4 算例分析 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 混沌优化PSO-LSSVM的短期负荷预测模型的建立 | 第40-51页 |
| 4.1 粒子群优化算法的理论概述 | 第40-44页 |
| 4.1.1 粒子群算法的概述 | 第40页 |
| 4.1.2 粒子群算法的基本原理 | 第40-42页 |
| 4.1.3 基于PSO优化LSSVM模型的建立 | 第42-44页 |
| 4.2 混沌优化PSO算法的理论概述 | 第44-47页 |
| 4.2.1 混沌优化算法的概述 | 第44-45页 |
| 4.2.2 混沌优化算法的特征 | 第45页 |
| 4.2.3 混沌优化算法的基本原理 | 第45-46页 |
| 4.2.4 混沌优化PSO-LSSVM模型的建立 | 第46-47页 |
| 4.3 算例分析 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 人工鱼群优化PSO-LSSVM的短期负荷预测研究 | 第51-58页 |
| 5.1 人工鱼群算法的基本原理 | 第51-54页 |
| 5.1.1 人工鱼群算法的特点 | 第51页 |
| 5.1.2 人工鱼群的行为模式 | 第51-54页 |
| 5.2 人工鱼群优化PSO-LSSVM | 第54-55页 |
| 5.3 人工鱼群优化PSO-LSSVM的短期负荷预测模型 | 第55-56页 |
| 5.4 算例分析 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 总结 | 第58页 |
| 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 附录A 训练样本数据 | 第65-69页 |
| 附录B 攻读学位期间所发表的学术论文与参与的科研项目 | 第69页 |
