基于支持向量机的电力负荷预测预警研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-21页 |
| ·研究背景 | 第11-16页 |
| ·电力能源背景 | 第11-13页 |
| ·机器学习理论综述 | 第13-16页 |
| ·国内外研究现状 | 第16-18页 |
| ·负荷预测方法研究现状 | 第16-17页 |
| ·支持向量机研究动态 | 第17-18页 |
| ·研究意义 | 第18-19页 |
| ·论文的主要工作和结构 | 第19-21页 |
| 2 统计学习理论与支持向量机 | 第21-38页 |
| ·机器学习的基本问题 | 第21-23页 |
| ·机器学习的数学模型 | 第21-22页 |
| ·ERM的局限性 | 第22-23页 |
| ·统计学习理论的核心内容 | 第23-25页 |
| ·VC维 | 第23-24页 |
| ·推广性的界 | 第24页 |
| ·结构风险最小化 | 第24-25页 |
| ·支持向量机机理 | 第25-32页 |
| ·支持向量机分类 | 第26-28页 |
| ·支持向量机回归 | 第28-30页 |
| ·核函数 | 第30-32页 |
| ·支持向量机参数选择 | 第32页 |
| ·支持向量机的推广 | 第32-38页 |
| ·智能数学的发展 | 第33页 |
| ·智能数学在支持向量机中的应用 | 第33-38页 |
| 3 遗传算法 | 第38-54页 |
| ·遗传算法的基本思想 | 第38-45页 |
| ·适应度函数 | 第39-40页 |
| ·编码 | 第40-41页 |
| ·遗传操作 | 第41-45页 |
| ·遗传算法的实现 | 第45-47页 |
| ·遗传算法的特点与优缺点 | 第47-48页 |
| ·遗传算法Java程序包 | 第48-54页 |
| ·遗传算法程序描述 | 第48-50页 |
| ·程序结构 | 第50-54页 |
| 4 匹配定理的推广 | 第54-56页 |
| ·基本概念 | 第54页 |
| ·匹配定理证明与推广 | 第54-56页 |
| 5 灰色预测 | 第56-75页 |
| ·GM(1，1)的建模原理 | 第56-57页 |
| ·GM(1，1)改进模型 | 第57-58页 |
| ·GM(1，1)模型的应用 | 第58-68页 |
| ·回归SVM应用研究 | 第68-75页 |
| ·软件包介绍 | 第68-69页 |
| ·预测步骤 | 第69-75页 |
| 6 电力负荷预测预警系统组成 | 第75-82页 |
| ·噪声分析子系统 | 第75-77页 |
| ·模糊集与信息推理 | 第75-76页 |
| ·确定决策目标及指标体系 | 第76页 |
| ·利用集对分析确定噪声 | 第76-77页 |
| ·预测子系统 | 第77-80页 |
| ·匹配预警子系统 | 第80-81页 |
| ·二次防御子系统 | 第81-82页 |
| 7 结论 | 第82-83页 |
| 参考文献 | 第83-85页 |
| 附录A | 第85-88页 |
| 附录B | 第88-91页 |
| 作者简历 | 第91-93页 |
| 学位论文数据集 | 第93页 |
