基于改进果蝇算法优化支持向量机的短期负荷预测
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 短期负荷预测的研究现状 | 第9-12页 |
| 1.2.1 传统预测法 | 第9-10页 |
| 1.2.2 现代人工智能法 | 第10-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 第二章 电力系统负荷预测的基本理论 | 第13-21页 |
| 2.1 电力系统负荷预测的分类 | 第13-14页 |
| 2.2 负荷预测的步骤 | 第14-15页 |
| 2.3 负荷特性分析 | 第15-19页 |
| 2.3.1 负荷周期性分析 | 第15-16页 |
| 2.3.2 影响因素分析 | 第16-19页 |
| 2.5 历史负荷的预处理 | 第19-20页 |
| 2.5.1 异常数据的处理 | 第19页 |
| 2.5.2 历史数据归一化 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 支持向量机理论 | 第21-32页 |
| 3.1 统计学习理论 | 第21-24页 |
| 3.2 支持向量机 | 第24-31页 |
| 3.2.1 最优分类面 | 第24-27页 |
| 3.2.2 核函数 | 第27-28页 |
| 3.2.3 支持向量机回归 | 第28-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 果蝇优化算法 | 第32-36页 |
| 4.1 演化式计算和群体智能 | 第32-33页 |
| 4.2 果蝇算法的原理 | 第33页 |
| 4.3 果蝇算法寻优步骤 | 第33-35页 |
| 4.4 果蝇算法的改进 | 第35页 |
| 4.5 本章小结 | 第35-36页 |
| 第五章 基于MFOA-SVM的短期负荷预测 | 第36-46页 |
| 5.1 样本数据的选取 | 第36-39页 |
| 5.1.1 日特征相似度 | 第36-37页 |
| 5.1.2 趋势相似度 | 第37页 |
| 5.1.3 前趋势相似度 | 第37页 |
| 5.1.4 综合日特征和负荷趋势度的评价函数 | 第37-38页 |
| 5.1.5 日特征量的量化处理 | 第38-39页 |
| 5.2 模型的选择 | 第39-42页 |
| 5.2.1 核函数的选取 | 第39-40页 |
| 5.2.2 参数的分析和选取 | 第40-42页 |
| 5.3 基于MFOA-SVM模型预测的步骤 | 第42-43页 |
| 5.4 预测误差分析 | 第43-44页 |
| 5.5 预测误差修正 | 第44-45页 |
| 5.6 本章小结 | 第45-46页 |
| 第六章 算例仿真分析 | 第46-58页 |
| 6.1 预测仿真分析 | 第46-54页 |
| 6.1.1 基于FOA-SVM的预测 | 第47-48页 |
| 6.1.2 基于FOA-GRNN的预测 | 第48-49页 |
| 6.1.3 基于MFOA-SVM的预测 | 第49-51页 |
| 6.1.4 三种方法预测结果对比分析 | 第51-54页 |
| 6.2 基于MFOA-SVM模型普通日的负荷预测 | 第54-55页 |
| 6.3 基于MFOA-SVM模型节假日的负荷预测 | 第55-57页 |
| 6.4 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文 | 第65页 |
