| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 课题研究概况 | 第11-14页 |
| 1.2.1 短期负荷预测的研究现状与发展趋势 | 第11-13页 |
| 1.2.2 城市微电网短期负荷预测的研究现状与发展趋势 | 第13-14页 |
| 1.3 论文主要内容与结构安排 | 第14-16页 |
| 第2章 改进LS-SVM城市微电网短期负荷预测模型 | 第16-27页 |
| 2.1 城市微电网短期负荷预测概述 | 第16-18页 |
| 2.1.1 城市微电网短期负荷预测的一般步骤 | 第16-17页 |
| 2.1.2 城市微电网短期负荷预测的特点 | 第17-18页 |
| 2.2 LS-SVM算法简介及其应用 | 第18-22页 |
| 2.2.1 LS-SVM算法简介 | 第18-21页 |
| 2.2.2 LS-SVM在短期负荷预测中的应用 | 第21-22页 |
| 2.3 基于改进LS-SVM的城市微电网短期负荷预测模型 | 第22-26页 |
| 2.3.1 改进LS-SVM预测模型 | 第22-23页 |
| 2.3.2 改进模型核函数选定 | 第23-24页 |
| 2.3.3 改进模型参数优选 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 预测模型输入向量的确定 | 第27-38页 |
| 3.1 输入向量的构成 | 第27-28页 |
| 3.2 历史负荷数据的预处理 | 第28-31页 |
| 3.2.1 缺失负荷数据的补足 | 第29页 |
| 3.2.2 负荷数据的纵向平滑处理 | 第29-30页 |
| 3.2.3 负荷数据的横向平滑处理 | 第30-31页 |
| 3.3 主要影响因素的分析与量化 | 第31-37页 |
| 3.3.1 短期负荷曲线特点分析 | 第32-33页 |
| 3.3.2 日类型的分析与量化 | 第33-34页 |
| 3.3.3 气象因素的分析与量化 | 第34-37页 |
| 3.4 归一化处理 | 第37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 预测模型训练样本的选取 | 第38-47页 |
| 4.1 训练样本选取的重要性 | 第38页 |
| 4.2 相似日选择的概况 | 第38-39页 |
| 4.3 训练样本选取的影响因素 | 第39-42页 |
| 4.3.1 历史日的选择范围及处理 | 第39-40页 |
| 4.3.2 日特征因素的处理 | 第40-41页 |
| 4.3.3 负荷曲线的形相似 | 第41页 |
| 4.3.4 时间因子 | 第41-42页 |
| 4.4 基于双向加权相似日的训练样本选取模型 | 第42-46页 |
| 4.4.1 局部形相似度的定量计算 | 第42-43页 |
| 4.4.2 横向加权日特征相似度的定量计算 | 第43-45页 |
| 4.4.3 相似度综合评价函数的形成 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 预测模型性能分析 | 第47-53页 |
| 5.1 短期负荷预测的主要评价指标 | 第47页 |
| 5.2 微电网与普通大电网的区别 | 第47-49页 |
| 5.3 预测模型改进环节的性能分析 | 第49-52页 |
| 5.3.1 训练样本选取环节 | 第49-50页 |
| 5.3.2 核函数选定环节 | 第50-51页 |
| 5.3.3 参数优化环节 | 第51-52页 |
| 5.4 结论 | 第52-53页 |
| 第6章 结论与展望 | 第53-55页 |
| 6.1 结论 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表的论文 | 第58-59页 |
| 攻读硕士学位期间参加的科研工作 | 第59-60页 |
| 致谢 | 第60页 |
