SVM与神经网络的组合模型在短期电力负荷预测中的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外预测算法研究现状 | 第11-13页 |
| 1.2.1 国内研究现状 | 第11-12页 |
| 1.2.2 国外研究现状 | 第12-13页 |
| 1.3 本文主要工作与章节安排 | 第13-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 短期电力负荷预测方法 | 第16-30页 |
| 2.1 常见短期电力负荷预测方法对比 | 第16-18页 |
| 2.1.1 经典电力负荷预测方法 | 第16-17页 |
| 2.1.2 现代电力负荷预测方法 | 第17-18页 |
| 2.2 支持向量机电力负荷预测模型 | 第18-23页 |
| 2.2.1 支持向量机理论概述 | 第18-21页 |
| 2.2.2 最小二乘支持向量机模型 | 第21-22页 |
| 2.2.3 粒子群优化算法 | 第22-23页 |
| 2.3 神经网络电力负荷预测模型 | 第23-29页 |
| 2.3.1 BP神经网络模型 | 第23-25页 |
| 2.3.2 LSTM神经网络模型 | 第25-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 组合预测模型构建 | 第30-41页 |
| 3.1 基于权重分配的组合预测总体模型 | 第30-32页 |
| 3.2 组合预测模型的数据处理 | 第32-35页 |
| 3.2.1 负荷数据初步分类处理 | 第32-33页 |
| 3.2.2 异常负荷数据筛选及处理 | 第33-35页 |
| 3.3 组合预测模型中SVM预测模型搭建 | 第35-37页 |
| 3.4 组合预测模型中LSTM预测模型搭建 | 第37-38页 |
| 3.5 组合预测模型权重调节网络 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 负荷数据预处理及数据库管理系统构建 | 第41-47页 |
| 4.1 电力负荷特性分析 | 第41-44页 |
| 4.1.1 短期负荷组成特性 | 第41-42页 |
| 4.1.2 典型负荷特性 | 第42-44页 |
| 4.2 负荷大数据管理系统设计 | 第44-46页 |
| 4.2.1 基于HDFS的文件数据库 | 第44-45页 |
| 4.2.2 基于HBase的历史负荷数据库 | 第45-46页 |
| 4.3 本章小结 | 第46-47页 |
| 第5章 负荷实例预测与分析 | 第47-60页 |
| 5.1 模型误差评价指标 | 第47页 |
| 5.2 支持向量机方法预测结果 | 第47-50页 |
| 5.3 LSTM方法预测结果 | 第50-56页 |
| 5.4 组合模型预测结果 | 第56-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 本文工作总结 | 第60-61页 |
| 6.2 下一步工作计划 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 作者简介及在学期间所取得的科研成果 | 第67-68页 |
| 致谢 | 第68页 |
