基于粗糙集与支持向量机的电力短期负荷预测研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第1章 绪论 | 第8-17页 |
| ·负荷预测的研究背景和研究意义 | 第8-10页 |
| ·负荷预测的研究背景 | 第8-9页 |
| ·短期负荷预测研究的意义 | 第9-10页 |
| ·国内外研究现状及发展趋势 | 第10-14页 |
| ·数学统计的短期负荷预测方法 | 第11-12页 |
| ·人工智能的短期负荷预测方法 | 第12-14页 |
| ·课题研究内容与组织结构 | 第14-17页 |
| ·课题研究内容 | 第14-16页 |
| ·论文组织结构 | 第16-17页 |
| 第2章 粗糙集基本理论与知识约简 | 第17-27页 |
| ·Rough集理论 | 第17-21页 |
| ·集合论的等价关系和等价类 | 第17-18页 |
| ·信息系统和不分明关系 | 第18-19页 |
| ·上近似、下近似和边界 | 第19-20页 |
| ·连续属性离散化 | 第20页 |
| ·属性和属性值约简 | 第20-21页 |
| ·属性约简算法 | 第21-25页 |
| ·基于分辨矩阵约简算法 | 第21-24页 |
| ·基于二进制分辨矩阵的约简算法 | 第24-25页 |
| ·属性值约简 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 支持向量机基本理论 | 第27-36页 |
| ·统计学习理论基础 | 第27-32页 |
| ·VC维 | 第27-28页 |
| ·经验风险最小化 | 第28-30页 |
| ·结构风险最小化 | 第30-32页 |
| ·支持向量机 | 第32-33页 |
| ·支持向量机回归 | 第33-34页 |
| ·支持向量机回归概念 | 第33-34页 |
| ·支持向量机回归核函数 | 第34页 |
| ·支持向量机模型选择 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 负荷特性分析与历史数据处理 | 第36-50页 |
| ·电力负荷的构成与原理 | 第36-39页 |
| ·电力负荷的构成 | 第36-37页 |
| ·负荷预测的原理 | 第37页 |
| ·负荷预测的基本要求 | 第37-38页 |
| ·负荷预测的步骤 | 第38-39页 |
| ·负荷的基本模型分析 | 第39-42页 |
| ·历史数据处理 | 第42-49页 |
| ·数据处理的意义 | 第42-43页 |
| ·短期负荷数据采样及周期 | 第43-45页 |
| ·负荷输入样本数据预处理 | 第45-49页 |
| ·气象、日期数据处理 | 第49页 |
| ·本章小结 | 第49-50页 |
| 第5章 基于粗糙集和支持向量机的短期负荷预测 | 第50-64页 |
| ·历史数据分析 | 第50-51页 |
| ·输入样本数据特征提取 | 第51-54页 |
| ·基于支持向量机的电力系统短期负荷预测 | 第54-57页 |
| ·样本数据分类 | 第54页 |
| ·SVR训练 | 第54-57页 |
| ·短期负荷预测的主要评价指标 | 第57-63页 |
| ·预测误差 | 第57-58页 |
| ·预测准确率 | 第58-59页 |
| ·预测结果分析 | 第59-63页 |
| ·本章小结 | 第63-64页 |
| 第6章 结论与展望 | 第64-66页 |
| ·结论 | 第64页 |
| ·需要进一步解决的问题 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读学位期间的研究成果 | 第70页 |
