基于最小二乘支持向量机的短期电力负荷预测模型的研究
| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第1章 绪论 | 第10-17页 |
| ·负荷预测研究的背景和意义 | 第10页 |
| ·国内外研究和应用现状 | 第10-13页 |
| ·短期负荷预测的国内外研究现状 | 第10页 |
| ·负荷预测的常用方法 | 第10-13页 |
| ·负荷预测的基本步骤 | 第13页 |
| ·课题研究进展中存在的问题 | 第13-14页 |
| ·本文的主要工作 | 第14-15页 |
| ·章节安排 | 第15-17页 |
| 第2章 支持向量机和粒子群算法 | 第17-33页 |
| ·支持向量机的基本原理 | 第17-24页 |
| ·经验风险最小化 | 第17-18页 |
| ·结构风险最小化 | 第18-19页 |
| ·支持向量机 | 第19-20页 |
| ·支持向量机回归原理 | 第20-24页 |
| ·最小二乘支持向量机 | 第24-27页 |
| ·LS-SVM模型基本原理 | 第24-25页 |
| ·LS-SVM模型核函数的选择 | 第25-26页 |
| ·LS-SVM模型的建立 | 第26-27页 |
| ·粒子群参数优化的理论概述 | 第27-30页 |
| ·粒子群算法的基本思想 | 第27页 |
| ·原始粒子群算法原理 | 第27-28页 |
| ·标准粒子群算法原理 | 第28-30页 |
| ·建立基于PSO算法的LS-SVM模型的思路 | 第30页 |
| ·粒子群算法的优化 | 第30-33页 |
| ·粒子群优化算法的参数设置 | 第30-31页 |
| ·改进粒子群优化理论 | 第31-33页 |
| 第3章 建立基于粒子群寻优的LS-SVM模型 | 第33-44页 |
| ·电力负荷特性分析 | 第33-36页 |
| ·短期负荷特性 | 第33-34页 |
| ·典型负荷分量的周期性 | 第34-36页 |
| ·数据的预处理过程 | 第36-39页 |
| ·负荷数据的预处理方法 | 第36-37页 |
| ·输入变量及样本的选取与样本的归一化处理方法 | 第37-39页 |
| ·基于标准的PSO算法的LS-SVM模型的建立 | 第39-41页 |
| ·参数的分析与参数设置 | 第39页 |
| ·模型的建立 | 第39-41页 |
| ·基于改进的PSO算法的LS-SVM模型的建立 | 第41-43页 |
| ·参数的分析与参数设置 | 第41页 |
| ·模型的建立 | 第41-43页 |
| ·误差评价指标 | 第43-44页 |
| 第4章 短期负荷预测仿真 | 第44-56页 |
| ·最小二乘支持向量机模型预测 | 第44-47页 |
| ·参数的分析与设置 | 第44-47页 |
| ·算法存在的缺陷与对策 | 第47页 |
| ·基于标准PSO算法LS-SVM模型预测 | 第47-50页 |
| ·仿真研究及分析 | 第47-50页 |
| ·算法分析 | 第50页 |
| ·基于改进的PSO算法LS-SVM模型预测 | 第50-53页 |
| ·仿真研究及分析 | 第51-53页 |
| ·算法分析 | 第53页 |
| ·误差分析 | 第53-56页 |
| 结论 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间所发表的论文 | 第63页 |
