| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-21页 |
| ·课题的背景和目的 | 第11-14页 |
| ·国内外负荷预测的发展与现状 | 第14-19页 |
| ·课题来源及内容 | 第19-21页 |
| 第2章 常用超短期负荷预测方法分析 | 第21-37页 |
| ·几种常用的超短期负荷预测方法 | 第21-30页 |
| ·时间序列法 | 第22页 |
| ·替代法 | 第22页 |
| ·卡尔曼滤波法 | 第22页 |
| ·启发式方法 | 第22-23页 |
| ·线性外推法 | 第23页 |
| ·人工神经网络预测法 | 第23-24页 |
| ·最小二乘法 | 第24-25页 |
| ·基于负荷趋势的超短期负荷预测法 | 第25-26页 |
| ·日周期多点外推法的超短期负荷预测 | 第26-27页 |
| ·插值预测法 | 第27-29页 |
| ·负荷求导法 | 第29-30页 |
| ·超短期负荷组合预测方法 | 第30-35页 |
| ·组合预测的概念 | 第30页 |
| ·组合预测的原理 | 第30-32页 |
| ·组合优化预测方法 | 第32-35页 |
| ·常用超短期负荷预测方法分析 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 基于局部形相似的超短期负荷预测方法研究 | 第37-51页 |
| ·超短期负荷预测方法的原理 | 第37页 |
| ·对相似日预测方法的研究 | 第37-41页 |
| ·影响相似日选择的因素 | 第38页 |
| ·选择相似日的基本模型 | 第38-39页 |
| ·选择相似日的方法 | 第39-41页 |
| ·负荷序列的局部特性分析 | 第41-42页 |
| ·负荷序列局部形相似的计算 | 第42-45页 |
| ·海明距离的计算 | 第43页 |
| ·相关系数和相似系数的计算 | 第43-44页 |
| ·曲线形相似指标的确定 | 第44-45页 |
| ·基于局部形相似的超短期负荷预测方法 | 第45-47页 |
| ·线性外推法计算公式 | 第45-46页 |
| ·基于局部形相似的预测方法公式 | 第46-47页 |
| ·预测结果分析 | 第47-49页 |
| ·局部序列长度d 对预测准确率的影响 | 第47-48页 |
| ·时间权重参数H 对预测准确率的影响 | 第48页 |
| ·采用各种相似指标的改进方法比较 | 第48-49页 |
| ·对拐点预测的改进 | 第49页 |
| ·本章小结 | 第49-51页 |
| 第4章 基于形态相似准则的曲线拟合算法研究 | 第51-63页 |
| ·负荷序列形态相似性的描述方法 | 第51-52页 |
| ·基于形态相似准则的曲线拟合算法 | 第52-60页 |
| ·罚函数法 | 第52-55页 |
| ·Powell 算法 | 第55-58页 |
| ·基于形态相似准则的曲线拟合算法的构造 | 第58-60页 |
| ·基于形态相似准则的超短期负荷预测方法 | 第60页 |
| ·结果分析 | 第60-61页 |
| ·拟合结果比较 | 第60-61页 |
| ·对拐点处负荷预测的改进 | 第61页 |
| ·负荷预测结果比较 | 第61页 |
| ·本章小结 | 第61-63页 |
| 第5章 基于元学习的时变非线性负荷预测组合算法的研究 | 第63-73页 |
| ·元学习 | 第64-65页 |
| ·元学习的概念 | 第64页 |
| ·元学习与学习的关系 | 第64页 |
| ·定义 | 第64-65页 |
| ·元学习算法 | 第65页 |
| ·误差的偏差/方差分解 | 第65页 |
| ·基于元学习的组合预测原理 | 第65-66页 |
| ·基于元学习的组合预测器结构 | 第66-67页 |
| ·元预测器的学习算法 | 第67页 |
| ·基于元学习的电力负荷组合预测方法 | 第67-69页 |
| ·基预测器的选取 | 第68页 |
| ·特征属性的选取 | 第68-69页 |
| ·结果分析 | 第69-71页 |
| ·本章小结 | 第71-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-80页 |
| 附录A 攻读学位期间发表的学术论文目录 | 第80页 |