| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-19页 |
| ·电力负荷预测及其意义 | 第8-9页 |
| ·负荷预测方法的国内外研究现状 | 第9-13页 |
| ·电力负荷特性及负荷预测的特点 | 第13-15页 |
| ·负荷预测误差分析 | 第15-17页 |
| ·本文所做的工作 | 第17-19页 |
| 第二章 人工神经网络负荷预测法 | 第19-32页 |
| ·前馈神经网络及其BP训练算法 | 第19-23页 |
| ·感知器 | 第19-21页 |
| ·BP训练算法及其优缺点 | 第21-23页 |
| ·改进的BP训练算法——Levenberg-Marquardt算法 | 第23-27页 |
| ·工作信号正向传播 | 第23-24页 |
| ·误差信号反向传播 | 第24页 |
| ·Jacobian矩阵计算 | 第24-26页 |
| ·算法流程 | 第26-27页 |
| ·神经网络预测模型 | 第27-32页 |
| ·模型选择 | 第28页 |
| ·预测结果 | 第28-30页 |
| ·结论 | 第30-32页 |
| 第三章 支持向量机负荷预测法 | 第32-44页 |
| ·支持向量机的数学原理 | 第33-38页 |
| ·核 | 第33-34页 |
| ·统计学习理论 | 第34-37页 |
| ·最优化理论 | 第37-38页 |
| ·最小二乘支持向量机 | 第38-40页 |
| ·最小二乘支持向量机预测模型 | 第40-44页 |
| ·模型选择 | 第40-41页 |
| ·预测结果 | 第41-43页 |
| ·结论 | 第43-44页 |
| 第四章 输入变量的优化选择 | 第44-62页 |
| ·贝叶斯统计推断原理 | 第45-47页 |
| ·最小二乘支持向量机的贝叶斯证据框架 | 第47-52页 |
| ·第一层：风险函数的贝叶斯解释 | 第47-49页 |
| ·第二层：超参数优化 | 第49-51页 |
| ·第三层：模型优化 | 第51-52页 |
| ·贝叶斯证据框架与输入变量选择 | 第52-54页 |
| ·贝叶斯证据框架目标函数的数学意义 | 第52-53页 |
| ·负荷预测输入向量选择问题 | 第53-54页 |
| ·粒子群优化算法 | 第54-57页 |
| ·粒子群优化算法基本原理 | 第55页 |
| ·粒子群优化算法数学描述 | 第55-57页 |
| ·基于贝叶斯理论和粒子群算法的输入向量选择 | 第57-62页 |
| ·输入变量选择方法 | 第57-58页 |
| ·预测结果 | 第58-60页 |
| ·结论 | 第60-62页 |
| 第五章 结论 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间发表论文 | 第67-69页 |
| 致谢 | 第69页 |