| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 1 绪论 | 第11-27页 |
| ·问题的提出 | 第11-12页 |
| ·负荷预测的基本原则与分类 | 第12-15页 |
| ·短期负荷预测的特点与抽象描述 | 第15-19页 |
| ·国内外短期电力负荷预测的研究现状与发展 | 第19-23页 |
| ·负荷预测的目的与意义 | 第23-24页 |
| ·本文的主要工作与章节安排 | 第24-27页 |
| 2 群集智能仿生计算方法及其改进 | 第27-48页 |
| ·引言 | 第27-28页 |
| ·群集智能计算方法概述 | 第28-29页 |
| ·经典粒子群算法PSO | 第29-32页 |
| ·惯性因子递减型粒子群算法LWPSO | 第32-34页 |
| ·一种新的自适应粒子群算法FAPSO | 第34-38页 |
| ·自适应粒子群算法FAPSO收敛性测试 | 第38-43页 |
| ·粒子群算法与其他仿生算法的比较与融合 | 第43-47页 |
| ·本章小结 | 第47-48页 |
| 3 基于LWPSO算法与神经网络的组合预测 | 第48-58页 |
| ·引言 | 第48-49页 |
| ·径向基函数神经网络 | 第49-50页 |
| ·基于学习算法LWPSO与RBF神经网络的组合预测模型 | 第50-55页 |
| ·预测实例与分析 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 4 基于自适应FAPSO算法与SVM的组合预测 | 第58-74页 |
| ·引言 | 第58-59页 |
| ·基于数据的机器学习问题 | 第59-60页 |
| ·统计学理论概述 | 第60-63页 |
| ·支持向量机回归算法及在电力负荷预测中的应用研究 | 第63-68页 |
| ·基于FAPSO优化的SVM预测模型 | 第68-70页 |
| ·预测实例与分析 | 第70-73页 |
| ·本章小结 | 第73-74页 |
| 5 基于SA与带扰动LWPSO算法的自学习融合算法 | 第74-87页 |
| ·引言 | 第74-75页 |
| ·模拟退火算法SA | 第75-77页 |
| ·基于SA与带扰动LWPSO的自学习融合优化算法NSAPSO | 第77-81页 |
| ·NSAPSO优化算法收敛性能测试 | 第81-86页 |
| ·本章小结 | 第86-87页 |
| 6 基于NSAPSO-SVM的多单一预测模型的变权重智能组合 | 第87-99页 |
| ·引言 | 第87页 |
| ·单一模型进行组合的传统方法 | 第87-90页 |
| ·基于NSAPSO与SVM的变权重智能组合方法 | 第90-94页 |
| ·预测实例分析 | 第94-97页 |
| ·本章小结 | 第97-99页 |
| 7 全文总结与展望 | 第99-102页 |
| ·全文总结 | 第99-100页 |
| ·工作展望 | 第100-102页 |
| 致谢 | 第102-103页 |
| 参考文献 | 第103-112页 |
| 附录1:攻读博士期间所发表的论文 | 第112-113页 |
| 附录2:攻读博士期间完成和参与的科研项目 | 第113页 |
