| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 智能电网需求响应的发展概况 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-18页 |
| 1.3.1 传统负荷预测方法的研究现状 | 第13-16页 |
| 1.3.2 电力市场环境下负荷预测方法的研究现状 | 第16-17页 |
| 1.3.3 负荷预测误差分析方法 | 第17-18页 |
| 1.4 课题来源 | 第18页 |
| 1.5 论文的研究内容及安排 | 第18-20页 |
| 第2章 负荷预测样本数据的选取 | 第20-29页 |
| 2.1 负荷预测数据预处理的必要性 | 第20页 |
| 2.2 电力负荷特性分析 | 第20-23页 |
| 2.2.1 电力负荷的分类 | 第21页 |
| 2.2.2 电力负荷的影响因素 | 第21-23页 |
| 2.3 负荷预测相似日选取的方法 | 第23-25页 |
| 2.3.1 传统方法 | 第23-24页 |
| 2.3.2 使用负荷值来选择相似日 | 第24页 |
| 2.3.3 使用负荷值和负荷增量值来选择相似日 | 第24-25页 |
| 2.4 相似日负荷序列局部形相似 | 第25-28页 |
| 2.4.1 负荷序列的局部特性分析 | 第25-26页 |
| 2.4.2 负荷序列的局部形相似计算 | 第26-27页 |
| 2.4.3 曲线形相似指标的确定 | 第27-28页 |
| 2.5 负荷预测样本的选取 | 第28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于多变量LS-SVM的负荷预测 | 第29-38页 |
| 3.1 电价预测对负荷预测的影响 | 第29页 |
| 3.2 统计学习理论的核心问题 | 第29-31页 |
| 3.3 最小二乘支持向量机LS-SVM | 第31-32页 |
| 3.4 多变量最小二乘支持向量机LS-SVM | 第32-35页 |
| 3.4.1 多变量LS-SVM的基本原理 | 第32-34页 |
| 3.4.2 多变量LS-SVM模型核函数的选择 | 第34页 |
| 3.4.3 多变量LS-SVM模型的建立 | 第34-35页 |
| 3.5 算例分析 | 第35-36页 |
| 3.6 本章小结 | 第36-38页 |
| 第4章 模糊关联规则挖掘算法 | 第38-49页 |
| 4.1 关联规则挖掘的提出 | 第38-39页 |
| 4.2 模糊关联规则 | 第39-42页 |
| 4.2.1 模糊关联规则的提出 | 第39页 |
| 4.2.2 模糊关联规则的基本概念和定义 | 第39-41页 |
| 4.2.3 模糊关联规则的挖掘过程 | 第41-42页 |
| 4.3 基于Apriori的模糊关联规则挖掘算法 | 第42-43页 |
| 4.4 改进型的多输入/多输出对象的模糊关联规则提取算法 | 第43-46页 |
| 4.4.1 模糊规则库的数据挖掘 | 第43-45页 |
| 4.4.2 模糊模型的建立 | 第45-46页 |
| 4.5 算法的验证 | 第46-48页 |
| 4.5.1 算法的实验环境 | 第46页 |
| 4.5.2 实验一 | 第46-47页 |
| 4.5.3 实验二 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第5章 超短期负荷预测综合模型的建立 | 第49-59页 |
| 5.1 模糊控制系统的组成 | 第49-50页 |
| 5.2 模糊集模糊变量的定义 | 第50-52页 |
| 5.3 基于多变量LS-SVM和模糊循环推理系统的预测模型 | 第52-54页 |
| 5.3.1 样本数据的选取和处理 | 第52页 |
| 5.3.2 基于多变量LS-SVM和模糊循环推理系统的模型建立和预测流程 | 第52-54页 |
| 5.4 预测实例分析 | 第54-58页 |
| 5.5 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第66-67页 |
| 附录B 攻读学位期间所参加的科研项目目录 | 第67页 |
