基于小波变换和最小二乘支持向量机的短期电力负荷预测技术研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 预测理论与方法研究的意义 | 第8-9页 |
| 1.2 预测理论与方法研究的分类 | 第9-10页 |
| 1.3 预测方法的应用——电力负荷预测 | 第10-12页 |
| 1.4 短期电力负荷预测的研究现状 | 第12-15页 |
| 1.5 本文结构 | 第15-17页 |
| 第二章 小波变换 | 第17-25页 |
| 2.1 小波的定义 | 第17-18页 |
| 2.1.1 连续小波变换(CWT) | 第17-18页 |
| 2.1.2 离散小波变换(DWT) | 第18页 |
| 2.2 常用小波函数 | 第18-20页 |
| 2.3 多分辨分析和Mallat算法 | 第20-23页 |
| 2.3.1 多分辨率分析 | 第20-21页 |
| 2.3.2 Mallat算法 | 第21-23页 |
| 2.4 小波去噪 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 最小二乘支持向量机 | 第25-37页 |
| 3.1 机器学习和统计学习 | 第25-29页 |
| 3.1.1 机器学习 | 第25-27页 |
| 3.1.2 统计学习 | 第27-29页 |
| 3.2 经验风险和结构风险 | 第29-31页 |
| 3.3 支持向量机 | 第31-34页 |
| 3.4 核函数 | 第34-35页 |
| 3.5 最小二乘支持向量机 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 粒子群优化算法 | 第37-40页 |
| 4.1 方法背景 | 第37-38页 |
| 4.2 算法流程 | 第38-39页 |
| 4.3 本章小结 | 第39-40页 |
| 第五章 基于小波去噪的混合预测模型 | 第40-45页 |
| 5.1 方法基本思想 | 第40页 |
| 5.2 模型参数的自动优化 | 第40-42页 |
| 5.3 模型的建立 | 第42-44页 |
| 5.4 本章小结 | 第44-45页 |
| 第六章 实验仿真和讨论分析 | 第45-55页 |
| 6.1 数据选择 | 第45页 |
| 6.2 模型性能评价标准 | 第45-47页 |
| 6.3 仿真结果 | 第47-53页 |
| 6.4 多组实验对比分析 | 第53-54页 |
| 6.5 本章小结 | 第54-55页 |
| 第七章 结论与展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 在学期间研究成果 | 第60-61页 |
| 致谢 | 第61页 |
