基于支持向量机的电力系统短期负荷预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题研究的意义和特点 | 第10-12页 |
| 1.1.1 电力负荷预测的意义 | 第10-11页 |
| 1.1.2 电力负荷预测的特点 | 第11-12页 |
| 1.2 国内外负荷预测情况的综述 | 第12-20页 |
| 1.2.1 负荷预测的研究历史和发展现状 | 第12-16页 |
| 1.2.2 负荷预测算法的介绍 | 第16-20页 |
| 1.3 本文的主要工作 | 第20-21页 |
| 第2章 统计学习理论与支持向量机 | 第21-33页 |
| 2.1 学习问题的数学表达 | 第21-22页 |
| 2.2 统计学习理论 | 第22-25页 |
| 2.2.1 经验风险最小化 | 第22-23页 |
| 2.2.2 VC 维和泛化能力 | 第23-24页 |
| 2.2.3 结构风险最小化 | 第24-25页 |
| 2.3 支持向量机 | 第25-31页 |
| 2.3.1 支持向量机的原理 | 第25-29页 |
| 2.3.2 回归支持向量机 | 第29-31页 |
| 2.4 支持向量机与神经网络的比较 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 加权免疫支持向量机应用于负荷预测 | 第33-47页 |
| 3.1 支持向量机的设计参数选择 | 第33-38页 |
| 3.1.1 核函数 | 第33页 |
| 3.1.2 调整参数和不敏感参数的选取 | 第33-34页 |
| 3.1.3 参数性能的仿真实验 | 第34-38页 |
| 3.2 用加权支持向量机改进参数 | 第38-40页 |
| 3.3 免疫算法用于参数的优化 | 第40-46页 |
| 3.3.1 免疫算法的简介 | 第40页 |
| 3.3.2 免疫算法优化SVM 参数流程 | 第40-43页 |
| 3.3.3 免疫支持支持向量机应用于负荷预测流程 | 第43页 |
| 3.3.4 算例分析 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 小波理论在支持向量机负荷预测中的应用 | 第47-59页 |
| 4.1 小波核函数应用于支持向量机预测 | 第47-51页 |
| 4.1.1 小波框架概念 | 第47-48页 |
| 4.1.2 基于框架的核函数 | 第48页 |
| 4.1.3 小波核函数 | 第48-50页 |
| 4.1.4 算法的实现 | 第50-51页 |
| 4.2 小波支持向量机组合预测 | 第51-58页 |
| 4.2.1 小波多分辨率分析原理 | 第52页 |
| 4.2.2 仿真研究 | 第52-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第5章 负荷预测软件的设计 | 第59-64页 |
| 5.1 负荷预测软件设计的总体原则 | 第59页 |
| 5.2 现有预测软件的缺陷与改进 | 第59-61页 |
| 5.3 软件的具体设计 | 第61-62页 |
| 5.3.1 数据库设计 | 第61页 |
| 5.3.2 预测模型库 | 第61-62页 |
| 5.3.3 结果查询与显示 | 第62页 |
| 5.4 软件的功能介绍 | 第62-63页 |
| 5.4.1 数据维护 | 第63页 |
| 5.4.2 数据查询 | 第63页 |
| 5.4.3 负荷数据分析 | 第63页 |
| 5.4.4 报表打印 | 第63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 作者简介 | 第71页 |
