| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.1.1 选题背景 | 第11页 |
| 1.1.2 电力负荷预测的概念及其意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 电力负荷预测方法简介 | 第12-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.2.3 国外研究现状 | 第16页 |
| 1.3 研究路线 | 第16-17页 |
| 1.4 研究内容及解决的问题 | 第17页 |
| 1.4.1 研究内容 | 第17页 |
| 1.4.2 解决的问题 | 第17页 |
| 1.5 论文结构 | 第17-19页 |
| 第2章 电力负荷预测方法及其相关背景知识 | 第19-32页 |
| 2.1 电力负荷预测分类及特点 | 第19-21页 |
| 2.1.1 电力负荷预测分类 | 第19页 |
| 2.1.2 电力负荷预测的特点 | 第19-20页 |
| 2.1.3 电力负荷预测的原理 | 第20-21页 |
| 2.2 支持向量回归算法和随机游走算法 | 第21-29页 |
| 2.2.1 支持向量回归算法 | 第21-27页 |
| 2.2.2 随机游走算法 | 第27-29页 |
| 2.3 大数据 | 第29-30页 |
| 2.3.1 大数据的定义和特点 | 第29-30页 |
| 2.3.2 大数据思维 | 第30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 特征值的选取与日日拓扑网络的构造 | 第32-40页 |
| 3.1 方法概述 | 第32-33页 |
| 3.1.1 电力负荷预测中的特征值选取和数据集构造 | 第32页 |
| 3.1.2 拓扑网络和随机游走算法的引入 | 第32-33页 |
| 3.2 数据预处理 | 第33-34页 |
| 3.3 基于大数据的特征值选取方法 | 第34-37页 |
| 3.4 日日拓扑网络的构造 | 第37-38页 |
| 3.4.1 计算特征相似度 | 第37-38页 |
| 3.4.2 生成日日拓扑网络 | 第38页 |
| 3.5 基于随机游走算法的训练集构造方法 | 第38-39页 |
| 3.5.1 随机游走算法 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于负荷增长率的负荷前馈修正与基于SVR的负荷预测 | 第40-46页 |
| 4.1 节假日负荷处理与基于负荷增长率的前馈修正 | 第40-41页 |
| 4.1.1 节假日负荷处理 | 第40-41页 |
| 4.1.2 基于负荷增长率的前馈修正 | 第41页 |
| 4.2 整体预测步骤 | 第41-44页 |
| 4.2.1 构造特征值 | 第41-42页 |
| 4.2.2 利用拓扑网络构造训练集 | 第42页 |
| 4.2.3 基于电力负荷增长率的负荷修正 | 第42页 |
| 4.2.4 SVR回归预测 | 第42页 |
| 4.2.5 整体预测流程图 | 第42-44页 |
| 4.3 本章小结 | 第44-46页 |
| 第5章 实验及预测案例分析 | 第46-52页 |
| 5.1 实验环境 | 第46页 |
| 5.1.1 MATLAB介绍 | 第46页 |
| 5.1.2 实验环境 | 第46页 |
| 5.2 性能评估指标 | 第46-47页 |
| 5.3 预测案例一 | 第47-48页 |
| 5.4 预测案例二 | 第48-51页 |
| 5.5 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 附录A 攻读学位期间所发表的学术论文 | 第60-61页 |
| 附录B 攻读学位期间参与的科研项目 | 第61页 |