| 中文摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究背景及意义 | 第8-9页 |
| ·电力负荷预测现状 | 第9-10页 |
| ·支持向量机的提出及研究现状 | 第10-11页 |
| ·研究内容及论文组织结构 | 第11-13页 |
| 第二章 电力负荷预测模型概述 | 第13-20页 |
| ·时间序列模型 | 第13-14页 |
| ·灰色预测模型 | 第14-15页 |
| ·人工神经网络模型 | 第15-18页 |
| ·电力负荷预测研究发展趋势 | 第18页 |
| ·本章小结 | 第18-20页 |
| 第三章 支持向量机回归理论基础 | 第20-33页 |
| ·机器学习基本问题 | 第20-22页 |
| ·机器学习问题描述 | 第21页 |
| ·经验风险最小化介绍 | 第21-22页 |
| ·统计学习理论 | 第22-24页 |
| ·VC 维介绍 | 第22页 |
| ·推广性的界介绍 | 第22-23页 |
| ·结构风险最小化介绍 | 第23-24页 |
| ·支持向量机(SVM) | 第24-28页 |
| ·广义最优分类面 | 第24-26页 |
| ·支持向量机步骤 | 第26-27页 |
| ·核函数相关介绍 | 第27-28页 |
| ·支持向量回归简介 | 第28-32页 |
| ·样本线性可分 | 第28-30页 |
| ·样本线性不可分 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 第四章 基于GA-IPSO 的SVR 在短期负荷预测中的应用 | 第33-55页 |
| ·基于GA-IPSO 的SVR 预测模型设计思路 | 第33-34页 |
| ·遗传算法简介 | 第34-37页 |
| ·编码技术 | 第34-35页 |
| ·适应度函数 | 第35-36页 |
| ·遗传操作 | 第36页 |
| ·遗传算法的基本流程 | 第36-37页 |
| ·样本的选择及预处理 | 第37-39页 |
| ·优化特征选择 | 第38-39页 |
| ·样本数据的归一化处理 | 第39页 |
| ·参数的分析及选择 | 第39-43页 |
| ·参数的分析 | 第40页 |
| ·粒子群优化算法原理 | 第40-41页 |
| ·改进的PSO 算法 | 第41-42页 |
| ·基于改进PSO 算法的SVR 参数优化 | 第42-43页 |
| ·SVR 预测模型的构建 | 第43-45页 |
| ·预测仿真实例 | 第45-54页 |
| ·实验过程 | 第45-49页 |
| ·模型的性能评价标准 | 第49-50页 |
| ·实验结果对照 | 第50-53页 |
| ·结果分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 SVR-GARCH 组合模型在负荷预测中的应用 | 第55-66页 |
| ·GARCH 基本理论 | 第55-58页 |
| ·ARCH 模型 | 第55-56页 |
| ·ARCH 模型建立步骤 | 第56页 |
| ·GARCH 模型 | 第56-58页 |
| ·组合预测模型 | 第58-61页 |
| ·平稳化处理 | 第59页 |
| ·组合预测简介 | 第59-60页 |
| ·组合预测模型的建模 | 第60页 |
| ·组合预测模型流程图 | 第60-61页 |
| ·预测仿真实例 | 第61-64页 |
| ·单一模型预测 | 第61-62页 |
| ·组合模型预测 | 第62-64页 |
| ·结果分析 | 第64页 |
| ·本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| ·全文总结 | 第66-67页 |
| ·研究展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 攻读学位期间公开发表的论文与参与的科研项目 | 第73-74页 |
| 致谢 | 第74-75页 |