| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第一章 绪论 | 第12-18页 |
| ·短期负荷预测的意义 | 第12-13页 |
| ·短期负荷预测的国内外研究现状 | 第13-16页 |
| ·短期负荷预测的研究方法 | 第13-15页 |
| ·短期负荷预测的研究趋势 | 第15-16页 |
| ·论文的主要研究内容和组织结构 | 第16-18页 |
| 第二章 短期负荷特性分析和数据预处理 | 第18-23页 |
| ·短期负荷特性分析 | 第18-21页 |
| ·时间因素 | 第18-19页 |
| ·气象因素 | 第19-20页 |
| ·其它因素 | 第20-21页 |
| ·样本数据预处理 | 第21-23页 |
| ·样本数据预处理的必要性 | 第21页 |
| ·缺失数据的补齐 | 第21页 |
| ·异常数据的识别与替换 | 第21-23页 |
| 第三章 相似日法 | 第23-35页 |
| ·相似日法的选取 | 第23-24页 |
| ·相似日法的介绍 | 第24-25页 |
| ·短期负荷特性的影响因素 | 第25-28页 |
| ·气象因素 | 第25页 |
| ·日期差距 | 第25-26页 |
| ·星期类型 | 第26-27页 |
| ·重大节假日 | 第27-28页 |
| ·影响因素的量化 | 第28-30页 |
| ·气象因素的量化 | 第28-29页 |
| ·日期差距的量化 | 第29页 |
| ·星期类型的量化 | 第29-30页 |
| ·重大节假日的处理 | 第30页 |
| ·相似度的计算 | 第30-35页 |
| ·气象因子匹配系数 | 第30-31页 |
| ·时间因子匹配系数 | 第31-33页 |
| ·星期因子匹配系数 | 第33页 |
| ·综合匹配系数 | 第33-35页 |
| 第四章 统计学习理论与支持向量机 | 第35-42页 |
| ·统计学基本理论 | 第35-38页 |
| ·机器学习的一般模型 | 第35页 |
| ·经验风险最小化 | 第35-36页 |
| ·VC 维 | 第36-37页 |
| ·结构风险最小化 | 第37-38页 |
| ·支持向量机的介绍 | 第38-42页 |
| ·支持向量机的预测模型 | 第38-40页 |
| ·支持向量机的核函数 | 第40页 |
| ·支持向量机的训练算法 | 第40-42页 |
| 第五章 基于相似日和支持向量机的短期负荷预测 | 第42-51页 |
| ·基于相似日和支持向量机算法的提出 | 第42-44页 |
| ·相似日算法的优缺点 | 第42-43页 |
| ·支持向量机算法的优缺点 | 第43-44页 |
| ·基于相似日和支持向量机算法的特点 | 第44页 |
| ·基于相似日和支持向量机的算法 | 第44-48页 |
| ·基于相似日和支持向量机算法的样本修剪 | 第44-45页 |
| ·基于相似日和支持向量机算法的网络训练 | 第45-47页 |
| ·算法基本步骤 | 第47-48页 |
| ·算例分析 | 第48-51页 |
| ·与相似日算法、支持向量机算法的比较 | 第48-49页 |
| ·与基于相似日和神经网络算法的比较 | 第49-51页 |
| 第六章 基于相似日负荷修正的重大节假日短期负荷预测 | 第51-57页 |
| ·相似日的选取 | 第51-53页 |
| ·气象因子匹配系数 | 第52页 |
| ·时间因子匹配系数 | 第52-53页 |
| ·综合匹配系数 | 第53页 |
| ·相似日负荷的修正 | 第53-55页 |
| ·相似周末负荷的修正 | 第53-54页 |
| ·相似节假日负荷的修正 | 第54-55页 |
| ·重大节假日的短期负荷预测 | 第55页 |
| ·算法基本步骤 | 第55-56页 |
| ·算例分析 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间取得的研究成果 | 第64-65页 |
| 致谢 | 第65页 |