| 摘要 | 第1页 |
| ABSTRACT | 第4-8页 |
| 第一章 引言 | 第8-15页 |
| ·短期电力负荷预测任务及其意义 | 第8页 |
| ·国内外研究动态 | 第8-14页 |
| ·电力负荷预测研究方法 | 第8-10页 |
| ·预测误差修正模型 | 第10-11页 |
| ·支持向量机用于预测 | 第11-13页 |
| ·支持向量机参数确定方法 | 第13-14页 |
| ·课题研究内容 | 第14-15页 |
| 第二章 支持向量机理论介绍 | 第15-20页 |
| ·支持向量机特点 | 第15页 |
| ·支持向量机原理 | 第15-16页 |
| ·最小二乘支持向量机(LS-SVM) | 第16-18页 |
| ·最小二乘支持向量机算法实现 | 第18-20页 |
| 第三章 负荷预测样本选择及预处理 | 第20-32页 |
| ·短期负荷预测概述 | 第20-23页 |
| ·负荷预测的特点 | 第20-21页 |
| ·负荷预测的基本原理 | 第21-22页 |
| ·短期负荷预测的主要评价指标 | 第22-23页 |
| ·电力负荷特性分析 | 第23-29页 |
| ·典型日负荷分析 | 第23-26页 |
| ·负荷自身周期性 | 第26-28页 |
| ·天气因素影响 | 第28-29页 |
| ·历史数据异常检验及处理 | 第29页 |
| ·样本的选择 | 第29-30页 |
| ·数据归一化 | 第30页 |
| ·气象数据及日期类型的量化及处理 | 第30-32页 |
| 第四章 基于动态惯性权重粒子群优化 LS-SVM 的短期负荷预测研究 | 第32-47页 |
| ·粒子群优化算法 | 第32-34页 |
| ·引言 | 第32页 |
| ·基本算法介绍 | 第32-33页 |
| ·改进的粒子群算法介绍 | 第33-34页 |
| ·WPSO 优化LS-SVM 回归估计模型 | 第34-36页 |
| ·WPS0-LS-SVM 逻辑框架图 | 第34-35页 |
| ·WPS0-LS-SVM 模型步骤 | 第35-36页 |
| ·基于WPSO-LS-SVM 短期负荷预测 | 第36-46页 |
| ·预测步骤 | 第36页 |
| ·保定电网负荷预测算例分析 | 第36-46页 |
| ·前期处理 | 第36-38页 |
| ·粒子群参数设置 | 第38-39页 |
| ·输入输出特征的选择 | 第39-40页 |
| ·LS-SVM 核函数的选取 | 第40-42页 |
| ·普通粒子群和动态惯性权重粒子群对比试验 | 第42-43页 |
| ·神经网络和支持向量机对比试验 | 第43-44页 |
| ·结果 | 第44-46页 |
| ·结论 | 第46-47页 |
| 第五章 基于 WPSO-LS-SVM 混合预测模型的 GARCH 误差修正方法研究 | 第47-53页 |
| ·引言 | 第47页 |
| ·GARCH 模型介绍 | 第47-48页 |
| ·基于GARCH 误差修正的保定电网短期负荷预测 | 第48-52页 |
| ·误差分析 | 第48页 |
| ·误差预测建模 | 第48-50页 |
| ·误差预测 | 第50-51页 |
| ·负荷预测及修正 | 第51-52页 |
| ·结论 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| ·本文总结 | 第53页 |
| ·未来工作展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间发表论文 | 第61-63页 |
| 攻读硕士学位期间参与课题研究 | 第63页 |