| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 短期电力负荷预测研究意义 | 第11-12页 |
| 1.2 短期电力负荷预测研究国内外现状 | 第12-15页 |
| 1.3 短期电力负荷预测的特点与方法 | 第15-17页 |
| 1.3.1 负荷预测的特点 | 第15-16页 |
| 1.3.2 负荷预测的基本原理 | 第16-17页 |
| 1.4 负荷预测的主要评价指标 | 第17-18页 |
| 1.5 论文研究内容与结构 | 第18-21页 |
| 1.5.1 论文研究内容 | 第18-20页 |
| 1.5.2 论文的结构 | 第20-21页 |
| 第2章 负荷预测样本的选择与预处理 | 第21-29页 |
| 2.1 电力负荷数据预处理的必要性 | 第21页 |
| 2.2 电力负荷数据特性分析 | 第21-26页 |
| 2.2.1 典型日负荷分析 | 第21-23页 |
| 2.2.2 负荷自身周期性 | 第23-24页 |
| 2.2.3 天气因素的影响 | 第24-26页 |
| 2.3 样本的选择与数据归一化处理 | 第26-28页 |
| 2.3.1 样本的选择 | 第26-27页 |
| 2.3.2 数据的归一化处理 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于粒子群参数优化的LSSVM短期电力负荷预测 | 第29-47页 |
| 3.1 粒子群算法基本介绍 | 第29-30页 |
| 3.2 支持向量机简介 | 第30-34页 |
| 3.2.1 支持向量机原理 | 第30-31页 |
| 3.2.2 最小二乘支持向量机 | 第31-33页 |
| 3.2.3 核函数 | 第33-34页 |
| 3.3 粒子群优化参数的LSSVM预测流程 | 第34-37页 |
| 3.3.1 标准粒子群优化算法的实现步骤 | 第34-35页 |
| 3.3.2 优化参数 | 第35-36页 |
| 3.3.3 PSO-LSSVM预测流程 | 第36-37页 |
| 3.4 算例分析 | 第37-46页 |
| 3.4.1 前期数据处理 | 第37-40页 |
| 3.4.2 粒子群算法参数选择 | 第40页 |
| 3.4.3 输入量影响因素的选择 | 第40-42页 |
| 3.4.4 LSSVM与神经网络预测对比试验分析 | 第42-43页 |
| 3.4.5 PSO-LSSVM与LSSVM的对比试验分析 | 第43-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 EMD与PSO-LSSVM的混合预测模型 | 第47-56页 |
| 4.1 EMD算法基本原理 | 第47-48页 |
| 4.2 EMD处理负荷数据的具体步骤 | 第48-50页 |
| 4.3 EMD-PSO-LSSVM预测模型 | 第50-52页 |
| 4.3.1 模型的主要思想 | 第50-51页 |
| 4.3.2 模型的建立 | 第51-52页 |
| 4.4 合肥市电网负荷预测算例分析 | 第52-55页 |
| 4.4.1 数据样本的选择处理 | 第52-53页 |
| 4.4.2 算例分析 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 全文总结 | 第56-57页 |
| 5.2 未来工作展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士期间科研成果 | 第63-64页 |
| 致谢 | 第64页 |