| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 经典预测技术研究现状 | 第9页 |
| 1.2.2 人工智能预测技术研究现状 | 第9-12页 |
| 1.2.3 短期负荷预测中存在的问题 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-16页 |
| 第2章 短期负荷影响因素分析和输入变量选取 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 电力系统负荷的构成 | 第16-17页 |
| 2.3 短期负荷影响因素分析 | 第17-22页 |
| 2.3.1 时间因素 | 第17-20页 |
| 2.3.2 天气因素 | 第20-22页 |
| 2.3.3 需求响应因素 | 第22页 |
| 2.4 输入变量选取和数据预处理 | 第22-25页 |
| 2.4.1 负荷预测模型输入变量选取 | 第22-24页 |
| 2.4.2 数据预处理 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于深度信念网络的短期负荷预测方法 | 第26-42页 |
| 3.1 引言 | 第26页 |
| 3.2 基于深度信念网络的负荷预测模型 | 第26-28页 |
| 3.3 部分有监督的预训练方法 | 第28-34页 |
| 3.3.1 受限玻尔兹曼机 | 第28-32页 |
| 3.3.2 无监督与有监督相结合的混合训练 | 第32-33页 |
| 3.3.3 部分有监督预训练流程 | 第33-34页 |
| 3.4 基于LM算法的有监督参数微调 | 第34-35页 |
| 3.5 基于深度信念网络的短期负荷预测流程 | 第35-36页 |
| 3.6 算例分析 | 第36-40页 |
| 3.6.1 数据集和输入变量选择 | 第36页 |
| 3.6.2 实验评价指标 | 第36页 |
| 3.6.3 模型参数的选取 | 第36-38页 |
| 3.6.4 与其他方法对比分析 | 第38-40页 |
| 3.7 本章小结 | 第40-42页 |
| 第4章 基于EMD-mRMR和PSO-LSSVM的短期负荷预测方法 | 第42-58页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于EMD-mRMR-PSO-LSSVM的负荷预测模型 | 第43页 |
| 4.3 经验模态分解 | 第43-45页 |
| 4.4 基于最小冗余度最大相关性的输入特征选取 | 第45-47页 |
| 4.4.1 互信息 | 第45页 |
| 4.4.2 最小冗余度最大相关性标准 | 第45-46页 |
| 4.4.3 输入特征选取流程 | 第46-47页 |
| 4.5 最小二乘支持向量机 | 第47-48页 |
| 4.6 改进粒子群算法优化LSSVM | 第48-50页 |
| 4.7 基于EMD-mRMR-PSO-LSSVM的短期负荷预测流程 | 第50-51页 |
| 4.8 算例分析 | 第51-56页 |
| 4.8.1 EMD分解负荷序列 | 第51-53页 |
| 4.8.2 基于EMD-mRMR和PSO-LSSVM的短期负荷预测 | 第53-55页 |
| 4.8.3 与其他方法的对比分析 | 第55-56页 |
| 4.9 本章小结 | 第56-58页 |
| 第5章 结论与展望 | 第58-60页 |
| 5.1 结论 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 发表论文和参加科研情况说明 | 第66-68页 |
| 致谢 | 第68页 |
