| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 第一章 绪论 | 第7-15页 |
| ·本课题的来源及研究意义 | 第7-8页 |
| ·电力系统短期负荷预测研究现状 | 第8-12页 |
| ·支持向量机在电力系统负荷预测中的应用 | 第12-13页 |
| ·本文的主要研究工作 | 第13-15页 |
| 第二章 支持向量机的基本理论 | 第15-31页 |
| ·机器学习和统计学基本理论 | 第15-18页 |
| ·经验风险最小化 | 第15-16页 |
| ·模型复杂度和推广能力 | 第16-17页 |
| ·VC维 | 第17页 |
| ·结构风险最小化原理 | 第17-18页 |
| ·支持向量机基本原理 | 第18-19页 |
| ·支持向量机的数学模型 | 第19-25页 |
| ·SVC支持向量分类模型 | 第19-23页 |
| ·SVR支持向量回归模型 | 第23-25页 |
| ·支持向量机训练方法 | 第25-28页 |
| ·经典二次规划算法 | 第25-26页 |
| ·块选算法 | 第26页 |
| ·分解算法 | 第26-27页 |
| ·增量算法 | 第27-28页 |
| ·支持向量机和神经网络的比较 | 第28-30页 |
| ·相似点 | 第28-30页 |
| ·支持向量机的特点 | 第30页 |
| ·本章小结 | 第30-31页 |
| 第三章 基于支持向量机的短期负荷预测 | 第31-43页 |
| ·短期负荷预测概述 | 第31-35页 |
| ·电力负荷预测的特点 | 第31-32页 |
| ·负荷预测的基本原理 | 第32-33页 |
| ·短期负荷预测模型要求 | 第33页 |
| ·负荷预测的基本过程 | 第33-34页 |
| ·预测误差分析 | 第34-35页 |
| ·电力负荷特性分析 | 第35-36页 |
| ·大型钢铁企业用电特点 | 第35页 |
| ·日负荷曲线比较 | 第35-36页 |
| ·负荷特性分析 | 第36页 |
| ·基于SVM的短期负荷预测 | 第36-42页 |
| ·样本的选取和历史数据的预处理 | 第37-38页 |
| ·核函数的选取 | 第38页 |
| ·SVM参数的取值 | 第38-42页 |
| ·基于SVM的短期负荷预测的步骤 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第四章 基于模糊聚类分析与支持向量机的短期负荷预测 | 第43-55页 |
| ·组合预测的原理 | 第43页 |
| ·聚类在负荷预测中的意义 | 第43-44页 |
| ·负荷聚类分析 | 第44-48页 |
| ·聚类的基本概念 | 第44页 |
| ·聚类方法 | 第44页 |
| ·负荷FCM聚类分析 | 第44-46页 |
| ·常规FCM算法的改进 | 第46-48页 |
| ·改进的FCM-SVM的短期负荷预测 | 第48-51页 |
| ·实例分析 | 第51-54页 |
| ·本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间研究成果 | 第61-62页 |