| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究的背景与意义 | 第8-9页 |
| 1.2 课题研究现状 | 第9-12页 |
| 1.2.1 传统预测方法 | 第9-10页 |
| 1.2.2 人工智能预测方法 | 第10-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第二章 相关技术概述 | 第14-21页 |
| 2.1 负荷预测问题定义 | 第14-15页 |
| 2.2 负荷预测问题方法介绍 | 第15-17页 |
| 2.2.1 随机森林 | 第15-16页 |
| 2.2.2 ELM | 第16-17页 |
| 2.3 并行技术的概述 | 第17-20页 |
| 2.3.1 Hadoop | 第18页 |
| 2.3.2 Spark | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于随机森林的电力负荷预测研究 | 第21-36页 |
| 3.1 引言 | 第21-22页 |
| 3.2 负荷预测过程 | 第22-28页 |
| 3.2.1 数据预处理 | 第22-25页 |
| 3.2.2 电力负荷挖掘流程设计 | 第25-28页 |
| 3.3 评估方法 | 第28-30页 |
| 3.3.1 分类模型的评估指标 | 第28-29页 |
| 3.3.2 回归(时间序列)模型评估指标 | 第29-30页 |
| 3.4 实验 | 第30-34页 |
| 3.4.1 数据集 | 第30页 |
| 3.4.2 精度实验及结果分析 | 第30-34页 |
| 3.5 结束语 | 第34-36页 |
| 第四章 基于并行混合粒子群优化及极限学习机的电力负荷预测 | 第36-51页 |
| 4.1 引言 | 第36-37页 |
| 4.2 PIPSO-ELM | 第37-44页 |
| 4.2.1 IPSO-ELM | 第38-43页 |
| 4.2.2 IPSO-ELM的并行化 | 第43-44页 |
| 4.3 实验 | 第44-49页 |
| 4.3.1 实验数据集 | 第44-45页 |
| 4.3.2 评价指标 | 第45页 |
| 4.3.3 预测精度分析 | 第45-47页 |
| 4.3.4 稳定性分析 | 第47-48页 |
| 4.3.5 收敛性分析 | 第48-49页 |
| 4.3.6 扩展性分析 | 第49页 |
| 4.4 总结 | 第49-51页 |
| 总结与展望 | 第51-54页 |
| 论文工作总结 | 第51-52页 |
| 未来工作展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 个人简历 | 第60-61页 |
| 在学期间的研究成果及发表的学术论文 | 第61页 |