| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-17页 |
| ·负荷预测的意义及任务 | 第11页 |
| ·国内外负荷预测研究情况 | 第11-12页 |
| ·负荷预测的基本原则 | 第12-13页 |
| ·负荷预测的步骤 | 第13-14页 |
| ·课题研究的思路形成、主要工作、篇章结构 | 第14-17页 |
| ·本文所做的主要工作 | 第15页 |
| ·本文的写作思路和篇章结构 | 第15-17页 |
| 第2章 支持向量机在短期负荷预测中的应用综述 | 第17-25页 |
| ·支持向量机回归算法简介及其在负荷预测中的实现步骤 | 第18-20页 |
| ·支持向量机在负荷预测中的应用及其改进 | 第20-21页 |
| ·支持向量机在负荷预测中应用的改进方法 | 第20页 |
| ·数据预处理、核函数构造及选取 | 第20-21页 |
| ·参数优化的方法 | 第21页 |
| ·与支持向量机相结合进行预测的相关算法 | 第21-24页 |
| ·傅立叶变换 | 第22页 |
| ·小波变换 | 第22-23页 |
| ·聚类算法 | 第23页 |
| ·其他应用较多的方法 | 第23-24页 |
| 本章小结 | 第24-25页 |
| 第3章 支持向量机的回归理论 | 第25-37页 |
| ·机器学习简介 | 第25-27页 |
| ·机器学习的主要问题 | 第25-26页 |
| ·经验风险最小化 | 第26-27页 |
| ·统计学习理论的产生 | 第27-31页 |
| ·VC维 | 第27-28页 |
| ·推广误差边界 | 第28-29页 |
| ·结构风险最小化归纳原理 | 第29-31页 |
| ·支持向量回归算法 | 第31-36页 |
| ·线性回归的情况 | 第31-34页 |
| ·非线性回归的情况 | 第34-35页 |
| ·核函数 | 第35-36页 |
| 本章小结 | 第36-37页 |
| 第4章 基于支持向量机的短期负荷预测 | 第37-49页 |
| ·支持向量机用于负荷预测的样本选择及预处理 | 第37-41页 |
| ·样本的特征选择 | 第37-40页 |
| ·训练和测试样本的确定 | 第40-41页 |
| ·具体的负荷预测步骤及预测效果评判标准 | 第41页 |
| ·负荷数据的归一化处理 | 第41-43页 |
| ·核函数构造及选取及参数优化的方法 | 第43-48页 |
| 本章小结 | 第48-49页 |
| 第5章 基于ISODATA-SVM的电力系统短期负荷预测 | 第49-59页 |
| ·ISODATA算法理论 | 第49-52页 |
| ·聚类分析简介 | 第49-50页 |
| ·ISODATA算法的原理 | 第50-52页 |
| ·ISODATA算法应用于负荷数据分类的研究 | 第52-55页 |
| ·ISODATA算法应用于负荷数据的分类 | 第52-54页 |
| ·分类数C对负荷数据分类的影响 | 第54-55页 |
| ·基于SVM和ISODATA算法的综合负荷预测模型 | 第55-58页 |
| 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第65页 |
