| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题的研究背景与意义 | 第8-9页 |
| 1.2 短期负荷预测的研究现状及其发展 | 第9-15页 |
| 1.2.1 传统的短期负荷预测 | 第9-12页 |
| 1.2.2 人工智能方法的短期负荷预测 | 第12-14页 |
| 1.2.3 混合模型的短期负荷预测 | 第14页 |
| 1.2.4 相似日选取的短期负荷预测 | 第14-15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 第二章 电力系统负荷预测的内容和评价指标 | 第16-20页 |
| 2.1 电力系统负荷预测的内容 | 第16-19页 |
| 2.1.1 电力系统负荷预测的概述 | 第16页 |
| 2.1.2 电力系统负荷预测的基本原则和要求 | 第16-17页 |
| 2.1.3 电力系统负荷预测的类别和过程 | 第17-19页 |
| 2.2 电力系统负荷预测的评价指标 | 第19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 EMD和KF-BA-SVM的短期负荷预测 | 第20-48页 |
| 3.1 引言 | 第20-21页 |
| 3.2 负荷数据的预处理 | 第21-24页 |
| 3.2.1 数据的辨识 | 第21-22页 |
| 3.2.2 数据的修正与规范化 | 第22-24页 |
| 3.3 EMD方法 | 第24-27页 |
| 3.3.1 EMD的原理 | 第24-25页 |
| 3.3.2 EMD方法的分解过程 | 第25-27页 |
| 3.4 支持向量机的基本原理 | 第27-31页 |
| 3.4.1 统计学习理论 | 第27-28页 |
| 3.4.2 支持向量机模型 | 第28-31页 |
| 3.5 卡尔曼滤波算法的原理与建立 | 第31-34页 |
| 3.5.1 卡尔曼滤波算法的原理 | 第32页 |
| 3.5.2 卡尔曼滤波算法的建立 | 第32-34页 |
| 3.6 蝙蝠算法的基本原理 | 第34-36页 |
| 3.6.1 蝙蝠算法的定义 | 第34-35页 |
| 3.6.2 蝙蝠算法的基本思路 | 第35-36页 |
| 3.7 基于EMD和KF-BA-SVM的短期负荷预测模型 | 第36-37页 |
| 3.8 电力系统短期负荷预测实例分析 | 第37-47页 |
| 3.9 本章小结 | 第47-48页 |
| 第四章 基于模糊组合权重的短期负荷预测 | 第48-63页 |
| 4.1 引言 | 第48页 |
| 4.2 数据的模糊量化处理 | 第48-50页 |
| 4.3 熵权法确定“客观权重”集合 | 第50-51页 |
| 4.3.1 熵权法的基本原理 | 第50页 |
| 4.3.2 熵权法的实现步骤 | 第50-51页 |
| 4.4 加权欧式距离的k-均值聚类算法确定“主观权重”集合 | 第51-53页 |
| 4.4.1 k-均值聚类算法的基本知识 | 第51-52页 |
| 4.4.2 加权欧式距离的k-均值聚类算法 | 第52-53页 |
| 4.4.3 k值的确定 | 第53页 |
| 4.5 模糊组合权重相似日选取步骤 | 第53-55页 |
| 4.6 实例分析 | 第55-62页 |
| 4.7 本章小结 | 第62-63页 |
| 第五章 短期电力负荷预测软件的初步设计 | 第63-72页 |
| 5.1 引言 | 第63页 |
| 5.2 软件总体结构设计 | 第63-64页 |
| 5.3 软件的开发环境 | 第64-65页 |
| 5.4 电力系统短期负荷预测软件 | 第65-71页 |
| 5.4.1 用户登录模块 | 第65-67页 |
| 5.4.2 数据导入处理模块 | 第67-68页 |
| 5.4.3 负荷预测模块 | 第68-70页 |
| 5.4.4 负荷预测结果保存模块 | 第70-71页 |
| 5.5 本章小结 | 第71-72页 |
| 总结与展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 个人简历 | 第78-79页 |
| 在学期间的研究成果及发表的学术论文 | 第79页 |