基于支持向量机的电网负荷预测系统研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 引言 | 第8-9页 |
| 2 绪论 | 第9-17页 |
| ·电力负荷预测基本理论概述 | 第9-12页 |
| ·负荷预测的概念和原理 | 第9页 |
| ·负荷预测的分类 | 第9-10页 |
| ·负荷预测的基本步骤 | 第10页 |
| ·负荷预测的特点和意义 | 第10-12页 |
| ·国内外电力负荷预测发展现状综述 | 第12-16页 |
| ·电力负荷预测发展状况 | 第12-15页 |
| ·支持向量机应用于电力负荷预测的研究现状 | 第15-16页 |
| ·本文主要研究内容 | 第16-17页 |
| 3 支持向量机理论与核覆盖方法 | 第17-36页 |
| ·机器学习和统计学基本理论 | 第17-19页 |
| ·经验风险最小化 | 第17-18页 |
| ·模型复杂度和推广能力 | 第18页 |
| ·VC 维 | 第18-19页 |
| ·结构风险最小化原理 | 第19页 |
| ·支持向量机基本原理 | 第19-20页 |
| ·支持向量机的数学模型 | 第20-26页 |
| ·SVC 支持向量分类模型 | 第21-24页 |
| ·SVR 支持向量回归模型 | 第24-26页 |
| ·SVM 网络结构 | 第26页 |
| ·SVM 支持向量机训练算法 | 第26-29页 |
| ·经典二次规划算法 | 第27页 |
| ·块选算法 | 第27-28页 |
| ·分解算法 | 第28-29页 |
| ·增量算法 | 第29页 |
| ·ε-支持向量回归机（ε-SVR） | 第29-33页 |
| ·回归问题 | 第29-30页 |
| ·ε-支持向量回归机 | 第30-32页 |
| ·ε-支持向量回归机中的稀疏性 | 第32-33页 |
| ·覆盖算法 | 第33-34页 |
| ·核覆盖算法 | 第34-36页 |
| 4 负荷预测模型分析及数据的预处理 | 第36-44页 |
| ·短期负荷的特点 | 第36-38页 |
| ·影响短期负荷的主要因素 | 第38-39页 |
| ·短期负荷预测的步骤 | 第39-44页 |
| ·数据的收集和选择 | 第39页 |
| ·数据的预处理 | 第39-41页 |
| ·电力负荷预测模型 | 第41-42页 |
| ·负荷预测误差分析 | 第42-44页 |
| 5 支持向量机模型的参数选取和优化方法 | 第44-48页 |
| ·学习参数C 的选取方法 | 第45-46页 |
| ·参数ε的选取方法 | 第46页 |
| ·高斯核函数参数σ的优化 | 第46-48页 |
| 6 基于支持向量机核覆盖算法的电力短期负荷预测 | 第48-59页 |
| ·样本的选取和历史资料的收集 | 第48-49页 |
| ·样本集的构造和数据的预处理 | 第49-51页 |
| ·训练网络 | 第51-59页 |
| ·训练算法的选择 | 第51-53页 |
| ·电网未来一天96 个点负荷预测的结果分析 | 第53-59页 |
| 7 结论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 在读期间发表的学术论文 | 第63-64页 |
| 作者简历 | 第64-65页 |
| 致谢 | 第65页 |
