| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第15-27页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.1.1 本文选题背景 | 第15-16页 |
| 1.1.2 本文的研究意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-23页 |
| 1.2.1 传统电力负荷预测方法的研究现状 | 第17-19页 |
| 1.2.2 基于人工智能的电力负荷预测方法 | 第19-20页 |
| 1.2.3 智能电网环境下的电力负荷预测方法 | 第20-21页 |
| 1.2.4 区间预测和概率密度预测 | 第21-23页 |
| 1.3 研究思路和研究方法 | 第23-24页 |
| 1.3.1 研究思路 | 第23页 |
| 1.3.2 研究方法 | 第23-24页 |
| 1.4 本文的主要创新和章节安排 | 第24-27页 |
| 1.4.1 主要创新 | 第24-25页 |
| 1.4.2 结构安排 | 第25-27页 |
| 第2章 基本的理论方法 | 第27-31页 |
| 2.1 支持向量机基本原理 | 第27页 |
| 2.2 支持向量回归 | 第27-28页 |
| 2.3 分位数回归理论与方法 | 第28-31页 |
| 2.3.1 线性分位数回归模型 | 第29-30页 |
| 2.3.2 非线性分位数回归模型 | 第30-31页 |
| 第3章 支持向量分位数回归的概率密度预测方法 | 第31-39页 |
| 3.1 支持向量分位数回归模型 | 第31-33页 |
| 3.2 基于核的支持向量分位数回归模型 | 第33-35页 |
| 3.3 基于COPULA理论的概率密度预测方法 | 第35-36页 |
| 3.4 评价指标 | 第36-39页 |
| 3.4.1 评价预测结果的误差指标 | 第36-37页 |
| 3.4.2 可靠性准则 | 第37页 |
| 3.4.3 预测区间带宽 | 第37-39页 |
| 第4章 基于实时电价和支持向量分位数回归的短期电力负荷概率密度方法 | 第39-46页 |
| 4.1 实时电价与短期负荷的关系分析 | 第39-40页 |
| 4.2 新家坡小样本数据集 | 第40页 |
| 4.3 考虑实时电价的短期电力负荷概率密度预测 | 第40-46页 |
| 第5章 基于核的支持向量分位数回归和COPULA理论的短期电力负荷概率密度预测方法 | 第46-56页 |
| 5.1 基于COPULA理论分析电力负荷与实时电价之间的关系 | 第46-47页 |
| 5.2 新加坡冬季数据集案例分析 | 第47-53页 |
| 5.3 新加坡夏季数据集案例分析 | 第53-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 研究总结 | 第56-57页 |
| 6.2 研究展望 | 第57-58页 |
| 参考文献 | 第58-65页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第65-66页 |
