| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 电力负荷预测国内外研究现状 | 第11-15页 |
| 1.2.1 传统预测算法 | 第12-13页 |
| 1.2.2 现代负荷预测方法 | 第13-15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 第2章 电力负荷基本特性分析 | 第16-24页 |
| 2.1 电力负荷分类 | 第16-18页 |
| 2.2 电力负荷变化特点 | 第18-19页 |
| 2.3 电力负荷影响因素 | 第19-21页 |
| 2.3.1 气象因素对负荷的影响 | 第19-20页 |
| 2.3.2 其他因素对负荷的影响 | 第20-21页 |
| 2.4 电力负荷特性分析 | 第21-23页 |
| 2.4.1 日负荷特性 | 第21-22页 |
| 2.4.2 周负荷特性 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于k最近邻的负荷预测相似日的选择 | 第24-34页 |
| 3.1 相似日法 | 第24-25页 |
| 3.2 kNN选取相似日 | 第25-31页 |
| 3.2.1 kNN算法 | 第25-26页 |
| 3.2.2 影响短期负荷的因素及其量化 | 第26-28页 |
| 3.2.3 基于MIV的BPNN负荷影响因素筛选 | 第28-31页 |
| 3.3 仿真分析 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 基于相似日及神经网络分位数回归的负荷概率分析预测 | 第34-44页 |
| 4.1 分位数回归理论 | 第34-35页 |
| 4.2 神经网络分位数回归模型 | 第35-36页 |
| 4.3 非参数核密度估计 | 第36-37页 |
| 4.4 基于kNN-QRNN-KDE的负荷概率分析预测流程 | 第37页 |
| 4.5 预测结果精度评价 | 第37-38页 |
| 4.6 仿真分析 | 第38-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第5章 基于混合核KPCA的多变量气象因子处理 | 第44-59页 |
| 5.1 主成分分析 | 第44-46页 |
| 5.1.1 主成分分析原理概述 | 第44页 |
| 5.1.2 主成分分析步骤 | 第44-46页 |
| 5.2 核主成分分析 | 第46-49页 |
| 5.2.1 核主成分分析原理 | 第47页 |
| 5.2.2 核函数的选取 | 第47-48页 |
| 5.2.3 核主成分分析步骤 | 第48-49页 |
| 5.3 仿真分析 | 第49-57页 |
| 5.3.1 KPCA处理天气因子 | 第49-55页 |
| 5.3.2 PCA处理天气因子 | 第55-56页 |
| 5.3.3 三种核KPCA和PCA结果分析 | 第56-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第6章 基于多变量及自适应差分进化算法改进极限学习机的负荷预测 | 第59-70页 |
| 6.1 极限学习机 | 第59-60页 |
| 6.2 差分进化算法 | 第60-62页 |
| 6.3 自适应差分进化极限学习机 | 第62-67页 |
| 6.3.1 Sa DE-ELM原理 | 第62-64页 |
| 6.3.2 Sa DE-ELM性能评估 | 第64-67页 |
| 6.4 仿真分析 | 第67-69页 |
| 6.5 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第76-77页 |
| 致谢 | 第77页 |
