| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·本课题研究的内容及意义 | 第8-9页 |
| ·电力系统负荷预测的分类 | 第8-9页 |
| ·月度负荷预测 | 第9页 |
| ·电力系统月度负荷预测研究现状 | 第9-12页 |
| ·支持向量机在电力系统中的应用 | 第12-13页 |
| ·粒子群优化算法在电力系统中的应用 | 第13-14页 |
| ·本文的主要工作 | 第14-16页 |
| 第二章 支持向量机的基本理论 | 第16-27页 |
| ·统计学习理论 | 第16-20页 |
| ·机器学习问题 | 第17-18页 |
| ·统计学习理论的基本概念 | 第18-20页 |
| ·支持向量机回归算法 | 第20-25页 |
| ·线性回归模型 | 第20-23页 |
| ·非线性回归模型 | 第23-25页 |
| ·支持向量机和神经网络的比较 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 基于粒子群优化支持向量机算法的参数选择 | 第27-37页 |
| ·支持向量机回归模型中的参数影响 | 第27-28页 |
| ·粒子群优化算法 | 第28-30页 |
| ·算法的原理 | 第28-29页 |
| ·参数的分析与设置 | 第29-30页 |
| ·改进的粒子群优化算法 | 第30-34页 |
| ·混沌及特性 | 第31页 |
| ·群体早熟收敛程度评价 | 第31-32页 |
| ·自适应调整策略 | 第32-33页 |
| ·ACPSO-SVM 算法流程 | 第33-34页 |
| ·仿真实例 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 基于ACPSO 优化支持向量机的月度负荷预测模型 | 第37-52页 |
| ·月度负荷预测概述 | 第37-39页 |
| ·月度负荷的特点 | 第37-39页 |
| ·负荷预测的特点 | 第39页 |
| ·负荷预测的过程 | 第39-43页 |
| ·负荷预测的基本程序 | 第39-40页 |
| ·历史负荷数据的预处理 | 第40-42页 |
| ·误差评价指标 | 第42-43页 |
| ·ACPSO-SVM 负荷预测模型 | 第43-46页 |
| ·仿真实例 | 第46-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 基于相对关联度的灰色支持向量机综合预测模型 | 第52-66页 |
| ·综合预测的概念 | 第52-54页 |
| ·综合预测的有关定义 | 第52-53页 |
| ·综合预测的实现途径和分类 | 第53-54页 |
| ·灰色系统理论概述 | 第54-57页 |
| ·灰色关联度 | 第54-55页 |
| ·灰色GM(1,1)原理 | 第55-57页 |
| ·基于相对关联度的灰色支持向量机综合预测模型 | 第57-61页 |
| ·相对关联度 | 第57-59页 |
| ·改进的GM(1,1)预测模型 | 第59-60页 |
| ·灰色支持向量机综合预测模型的建模 | 第60-61页 |
| ·仿真实例 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间发表或录用的论文 | 第73-75页 |