基于支持向量机的中短期电力负荷预测
| 中文摘要 | 第1页 |
| 英文摘要 | 第4-7页 |
| 第一章 绪论 | 第7-11页 |
| ·选题背景及意义 | 第7-8页 |
| ·电力负荷预测 | 第7-8页 |
| ·支持向量机算法 | 第8页 |
| ·国内外研究现状 | 第8-9页 |
| ·主要研究内容 | 第9-11页 |
| 第二章 支持向量机的回归算法 | 第11-24页 |
| ·机器学习简介 | 第11-13页 |
| ·机器学习的主要问题 | 第11-12页 |
| ·经验风险最小化 | 第12-13页 |
| ·统计学习理论 | 第13-17页 |
| ·学习过程一致性的条件 | 第13-14页 |
| ·VC 维 | 第14页 |
| ·推广误差边界 | 第14-15页 |
| ·结构风险最小化归纳原理 | 第15-17页 |
| ·支持向量回归算法 | 第17-21页 |
| ·线性回归的情况 | 第17-20页 |
| ·非线性回归的情况 | 第20-21页 |
| ·核函数 | 第21页 |
| ·支持向量回归的序列最小优化算法 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 粒子群算法用于支持向量机参数优化 | 第24-31页 |
| ·支持向量回归中的参数影响 | 第24-25页 |
| ·粒子群算法的研究背景 | 第25页 |
| ·粒子群优化算法 | 第25-28页 |
| ·粒子群优化算法的基本原理 | 第25-26页 |
| ·粒子群优化算法的数学描述 | 第26-27页 |
| ·粒子群优化算法的流程 | 第27页 |
| ·粒子群优化算法的时间复杂度分析 | 第27-28页 |
| ·粒子群优化算法的收敛性分析 | 第28-29页 |
| ·粒子群优化算法的参数选择 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第四章 基于河北南网负荷的数据分析与处理 | 第31-38页 |
| ·数据预处理 | 第31-34页 |
| ·缺失负荷数据的修补 | 第31页 |
| ·数据的垂直处理 | 第31-32页 |
| ·数据的水平处理 | 第32-33页 |
| ·数据的标准化 | 第33页 |
| ·数据预处理的效果 | 第33-34页 |
| ·数据的周期性分析 | 第34页 |
| ·负荷的年周期属性 | 第34页 |
| ·每月中负荷变化规律 | 第34页 |
| ·每周中日负荷变化规律 | 第34页 |
| ·每天的负荷变化规律 | 第34页 |
| ·本章小结 | 第34-38页 |
| 第五章 仿真实例及分析 | 第38-42页 |
| ·数据预处理前后日最大负荷预测结果比较 | 第38-39页 |
| ·按星期属性分类预测 | 第39页 |
| ·本章小结 | 第39-42页 |
| 第六章 结论 | 第42-44页 |
| 参考文献 | 第44-48页 |
| 致谢 | 第48-49页 |
| 在学期间发表的学术论文和参加科研情况 | 第49页 |
