| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-21页 |
| ·课题的选题背景及意义 | 第8-9页 |
| ·国内外研究现状 | 第9-17页 |
| ·负荷预测的经典技术 | 第9-10页 |
| ·传统预测方法 | 第10-14页 |
| ·现代预测技术 | 第14-17页 |
| ·负荷预测的基本要求 | 第17-18页 |
| ·误差分析 | 第18-19页 |
| ·误差产生原因 | 第18页 |
| ·误差分析及模型校验 | 第18-19页 |
| ·本论文研究的主要内容 | 第19-21页 |
| 2 基于支持向量回归机的中长期负荷预测算法 | 第21-35页 |
| ·支持向量机基本理论简介 | 第21-24页 |
| ·支持向量机基本概念及应用 | 第21-22页 |
| ·统计学习理论 | 第22-24页 |
| ·支持向量机的基本方法 | 第24-29页 |
| ·基于分类的支持向量机 | 第24-27页 |
| ·基于回归的支持向量机 | 第27-29页 |
| ·算法实现及流程图 | 第29-31页 |
| ·算例分析 | 第31-33页 |
| ·选择训练数据 | 第31-32页 |
| ·预测结果 | 第32页 |
| ·预测结果分析 | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 3 基于粗糙集属性约简的改进支持向量回归机负荷预测算法 | 第35-46页 |
| ·粗糙集理论基本原理 | 第35-37页 |
| ·知识 | 第35页 |
| ·不可分辨关系 | 第35-36页 |
| ·近似集 | 第36-37页 |
| ·属性约简 | 第37页 |
| ·基于粗糙集属性约简的支持向量回归机负荷预测算法 | 第37-42页 |
| ·数据规范化及离散化处理 | 第38页 |
| ·负荷影响因素约简 | 第38-40页 |
| ·利用RST 进行负荷预测影响因素筛选的可行性 | 第40页 |
| ·基于RST 数据预处理的SVR 中长期负荷预测的优点 | 第40页 |
| ·基于RST 属性约简的SVR 中长期负荷预测流程图 | 第40-42页 |
| ·算例分析 | 第42-45页 |
| ·建立负荷预测决策信息表 | 第42页 |
| ·原始数据规范化和离散化预处理 | 第42-43页 |
| ·负荷影响因素约简 | 第43-44页 |
| ·利用RST-SVR 进行中长期负荷预测 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 4 粒子群优化支持向量回归机参数的改进负荷预测算法 | 第46-55页 |
| ·粒子群优化算法 | 第46-48页 |
| ·PSO 算法基本原理 | 第46-47页 |
| ·PSO 算法数学描述 | 第47-48页 |
| ·加入惯性权重因子w 的PSO 算法 | 第48页 |
| ·可变惯性权重PSO 算法 | 第48页 |
| ·基于粒子群参数寻优的改进支持向量回归机预测算法 | 第48-51页 |
| ·SVR 各参数的特性 | 第48-49页 |
| ·参数寻优算法的实现 | 第49-50页 |
| ·PSO 优化RST-SVR 中长期负荷预测算法流程图 | 第50-51页 |
| ·算例分析 | 第51-54页 |
| ·选择训练数据 | 第51页 |
| ·预测结果 | 第51-53页 |
| ·预测结果分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 5 结论与展望 | 第55-57页 |
| ·本文结论 | 第55页 |
| ·后续研究工作的展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62页 |
