| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-19页 |
| ·课题研究背景 | 第9-11页 |
| ·电力负荷预测背景 | 第9页 |
| ·电力负荷预测的概念及特点 | 第9-10页 |
| ·电力负荷预测的分类 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·电力负荷预测方法介绍 | 第11-14页 |
| ·国外研究现状 | 第14页 |
| ·国内研究现状 | 第14-15页 |
| ·课题研究意义 | 第15-17页 |
| ·课题主要研究工作及章节安排 | 第17-19页 |
| ·本文主要研究工作 | 第17页 |
| ·论文章节安排 | 第17-19页 |
| 第2章 支持向量机 | 第19-34页 |
| ·机器学习和统计学习理论 | 第19-25页 |
| ·机器学习问题的表示 | 第20-21页 |
| ·VC维和推广误差边界 | 第21-22页 |
| ·经验风险最小化 | 第22-24页 |
| ·结构风险最小化 | 第24-25页 |
| ·支持向量机 | 第25-30页 |
| ·样本线性可分时的SVM | 第26-27页 |
| ·样本线性不可分时的SVM | 第27-29页 |
| ·核函数 | 第29-30页 |
| ·支持向量回归 | 第30-33页 |
| ·ε-SVR | 第31-32页 |
| ·v-SVR | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第3章 基于支持向量回归的短期电力负荷预测建模方法 | 第34-44页 |
| ·电力负荷预测样本特性分析及预处理 | 第34-39页 |
| ·短期电力负荷样本特性分析 | 第34-38页 |
| ·负荷数据的处理 | 第38-39页 |
| ·基于支持向量回归的短期电力负荷预测模型 | 第39-40页 |
| ·核函数的选取以及参数的选择 | 第39-40页 |
| ·短期电力负荷预测的步骤及结果评价标准 | 第40页 |
| ·SVR短期电力负荷预测模型仿真及分析 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 基于局部支持向量回归的短期电力负荷预测建模方法 | 第44-52页 |
| ·局部支持向量回归 | 第44-47页 |
| ·局部支持向量回归模型 | 第44-45页 |
| ·局部支持向量回归模型的核化 | 第45-47页 |
| ·LSVR与SVR的关系 | 第47-49页 |
| ·LSVR短期电力负荷预测模型仿真及分析 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第5章 基于PSO-LSVR的短期电力负荷预测建模方法 | 第52-61页 |
| ·粒子群算法概述 | 第52-55页 |
| ·PSO算法 | 第52-54页 |
| ·PSO算法流程 | 第54-55页 |
| ·PSO算法的改进 | 第55-56页 |
| ·参数改进 | 第55页 |
| ·拓扑结构的改进 | 第55-56页 |
| ·混合策略 | 第56页 |
| ·基于PSO-LSVR的短期电力负荷预测模型仿真及分析 | 第56-58页 |
| ·SVR、LSVR、PSO-LSVR预测模型结果比较 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| ·本文工作总结 | 第61-62页 |
| ·进一步的研究 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 硕士期间论文发表情况 | 第69页 |
