| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 第1章 绪论 | 第13-23页 |
| ·选题背景及其意义 | 第13-14页 |
| ·常用的电力负荷预测方法 | 第14-18页 |
| ·贝叶斯推断及其研究现状 | 第18-19页 |
| ·本文的主要研究内容和章节安排 | 第19-23页 |
| 第2章 电力负荷的影响因素分析 | 第23-39页 |
| ·引言 | 第23-24页 |
| ·电力负荷与气象因素的相关性分析 | 第24-36页 |
| ·温度和负荷之间的关系 | 第25-28页 |
| ·相对湿度和负荷之间的关系 | 第28-30页 |
| ·日类型因素和季节因素 | 第30-36页 |
| ·本章小结 | 第36-39页 |
| 第3章 贝叶斯理论和马尔科夫链蒙特卡洛算法 | 第39-49页 |
| ·贝叶斯理论 | 第39-41页 |
| ·马尔可夫链蒙特卡洛(MCMC)方法 | 第41-46页 |
| ·基本抽样算法 | 第42-44页 |
| ·Metropolis-Hasting抽样方法 | 第44-45页 |
| ·Gibbs抽样方法 | 第45-46页 |
| ·先验分布和后验分布 | 第46-47页 |
| ·Jeffreys先验 | 第46-47页 |
| ·共轭先验 | 第47页 |
| ·本章小结 | 第47-49页 |
| 第4章 基于贝叶斯神经网络日负荷曲线预测 | 第49-69页 |
| ·人工神经网络和多层感知机 | 第50-56页 |
| ·神经元 | 第50-52页 |
| ·人工神经网络的BP学习算法 | 第52-54页 |
| ·人工神经网络的泛化能力 | 第54-56页 |
| ·贝叶斯神经网络 | 第56-59页 |
| ·贝叶斯神经网络权参数的学习 | 第56-57页 |
| ·超参数α和β的计算 | 第57-59页 |
| ·混合马尔可夫链蒙特卡洛(HMCMC)算法 | 第59-61页 |
| ·汉密尔顿动力系统 | 第59-61页 |
| ·日负荷曲线预测及其误差分析 | 第61-66页 |
| ·本章小结 | 第66-69页 |
| 第5章 基于贝叶斯状态空间模型月度典型负荷预测 | 第69-95页 |
| ·时间序列分析的基本概念 | 第69-76页 |
| ·线性过程 | 第71-72页 |
| ·自回归滑动平均过程 | 第72-74页 |
| ·自相关函数和偏自相关函数 | 第74-76页 |
| ·ARMA(p,q)模型的参数估计 | 第76-78页 |
| ·状态空间模型 | 第78-81页 |
| ·线性状态空间模型 | 第78-80页 |
| ·ARMA模型和ARIMA模型的状态空间模型的表示 | 第80-81页 |
| ·带有解释变量状态空间模型 | 第81页 |
| ·滤波和平滑 | 第81-84页 |
| ·状态向量的平滑 | 第83-84页 |
| ·基于MCMC算法状态空间模型的参数估计 | 第84-87页 |
| ·基于状态空间模型的月度典型负荷预测 | 第87-94页 |
| ·本章小结 | 第94-95页 |
| 第6章 基于贝叶斯ARIMA-GARCH模型超短期负荷预测 | 第95-111页 |
| ·广义自回归条件异方差(GARCH)模型 | 第95-96页 |
| ·GARCH(p,q)模型的拟最大似然估计法(PMLE) | 第96-98页 |
| ·GARCH(1,1)模型的MCMC估计方法 | 第98-102页 |
| ·正态GARCH(1,1)模型参数的MCMC估计法 | 第99-100页 |
| ·T-GARCH0,1)模型的参数估计 | 第100-102页 |
| ·基于ARIMA-GARCH模型超短期负荷预测 | 第102-109页 |
| ·本章小结 | 第109-111页 |
| 第7章 结论与展望 | 第111-115页 |
| ·结论和主要创新点 | 第111-113页 |
| ·展望 | 第113-115页 |
| 参考文献 | 第115-127页 |
| 攻读博士学位期间发表的论文及其他成果 | 第127-129页 |
| 攻读博士学位期间参加的科研工作 | 第129-131页 |
| 致谢 | 第131-133页 |
| 个人简历 | 第133页 |
