| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.1.1 课题研究的背景 | 第10页 |
| 1.1.2 课题研究的意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.3 研究内容和章节安排 | 第17-20页 |
| 第二章 负荷预测分析 | 第20-28页 |
| 2.1 分析电力负荷特性 | 第20-22页 |
| 2.1.1 分析负荷预测类别 | 第20页 |
| 2.1.2 分析负荷预测作用 | 第20-21页 |
| 2.1.3 分析负荷预测特点 | 第21-22页 |
| 2.2 分析负荷预测理论 | 第22-24页 |
| 2.2.1 分析负荷预测原理 | 第22-23页 |
| 2.2.2 分析负荷预测程序 | 第23-24页 |
| 2.3 分析负荷预测误差 | 第24-26页 |
| 2.3.1 分析误差原因 | 第24页 |
| 2.3.2 分析预测误差 | 第24-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 基于灰色理论的单因素预测模型 | 第28-46页 |
| 3.1 灰色模型适用性分析 | 第28页 |
| 3.2 灰色生成类别分析 | 第28-30页 |
| 3.2.1 累加生成 | 第28-29页 |
| 3.2.2 累减生成 | 第29页 |
| 3.2.3 均值生成 | 第29-30页 |
| 3.2.4 级比生成 | 第30页 |
| 3.3 灰色预测模型 | 第30-38页 |
| 3.3.1 GM(1,1)模型 | 第30-31页 |
| 3.3.2 离散GM(1,1)模型 | 第31-33页 |
| 3.3.3 Verhulst模型 | 第33-34页 |
| 3.3.4 云南省负荷实例分析 | 第34-38页 |
| 3.4 改进GM(1,1)预测模型 | 第38-45页 |
| 3.4.1 GM(1,1)模型分析 | 第38页 |
| 3.4.2 改进方法分析 | 第38-39页 |
| 3.4.3 基于残差修正改进的GM(1,1)模型 | 第39-40页 |
| 3.4.4 基于遗传算法改进的GM(1,1)模型 | 第40-41页 |
| 3.4.5 云南省负荷实例分析 | 第41-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于PCA-BP的多因素预测模型 | 第46-56页 |
| 4.1 主成分分析法 | 第46-48页 |
| 4.1.1 PCA算法的主要步骤 | 第46-47页 |
| 4.1.2 云南省负荷影响因素分析 | 第47-48页 |
| 4.2 BP神经网络 | 第48-51页 |
| 4.2.1 基于BP算法的神经网络结构 | 第48-49页 |
| 4.2.2 BP训练准则分析 | 第49-51页 |
| 4.3 PCA-BP预测模型 | 第51-55页 |
| 4.3.1 PCA-BP模型的基本思想 | 第51页 |
| 4.3.2 PCA-BP建模步骤确定 | 第51-52页 |
| 4.3.3 云南省负荷实例分析 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于贝叶斯的改进组合预测模型 | 第56-66页 |
| 5.1 LS-SVM核函数确定 | 第56-57页 |
| 5.2 贝叶斯动态模型 | 第57-60页 |
| 5.2.1 模型分类 | 第57-60页 |
| 5.2.2 组合模型 | 第60页 |
| 5.3 贝叶斯理论参数确定 | 第60-61页 |
| 5.3.1 准则一推断 | 第60页 |
| 5.3.2 准则二推断 | 第60-61页 |
| 5.3.3 准则三推断 | 第61页 |
| 5.4 基于贝叶斯的LS-SVM模型 | 第61-64页 |
| 5.4.1 Bayes-LS-SVM模型的基本思想 | 第61页 |
| 5.4.2 Bayes-LS-SVM模型的建模步骤 | 第61-62页 |
| 5.4.3 云南省负荷实例分析 | 第62-64页 |
| 5.5 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 附录A 科研成果 | 第74-76页 |
| 附录B 2000-2016年云南省经济指标 | 第76-77页 |