基于云计算的扩展短期负荷预测方法的研究
| 摘要 | 第1-9页 |
| Abstract | 第9-10页 |
| 附图索引 | 第10-11页 |
| 附表索引 | 第11-12页 |
| 第1章 绪论 | 第12-19页 |
| ·课题研究背景与意义 | 第12页 |
| ·负荷预测的基本原则和要求 | 第12-15页 |
| ·负荷预测的一般原理 | 第12-13页 |
| ·负荷预测的基本原则 | 第13-14页 |
| ·负荷预测的基本要求 | 第14-15页 |
| ·负荷预测的基本类型 | 第15-16页 |
| ·短期负荷预测的发展现状及存在的问题 | 第16-18页 |
| ·短期负荷预测在国外的研究现状 | 第16页 |
| ·短期负荷预测在国内的研究现状 | 第16-17页 |
| ·当前电力系统短期负荷预测中存在的问题 | 第17-18页 |
| ·本文的主要工作及章节安排 | 第18-19页 |
| 第2章 电力系统负荷预测的主要方法 | 第19-29页 |
| ·经典预测方法 | 第19-21页 |
| ·经验法 | 第19页 |
| ·单耗法 | 第19页 |
| ·比例系数法 | 第19-20页 |
| ·弹性系数法 | 第20页 |
| ·趋势外推法 | 第20-21页 |
| ·回归模型法 | 第21页 |
| ·时间序列法 | 第21页 |
| ·现代预测方法 | 第21-28页 |
| ·灰色模型法 | 第21-23页 |
| ·优选组合法 | 第23-25页 |
| ·专家系统法 | 第25页 |
| ·神经网络法 | 第25-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于支持向量机的负荷预测模型 | 第29-41页 |
| ·支持向量机的提出 | 第29-30页 |
| ·最优化基础 | 第30-32页 |
| ·最优化实例 | 第30-31页 |
| ·欧氏空间上的凸规划问题 | 第31页 |
| ·凸规划问题的对偶问题 | 第31-32页 |
| ·凸规划的最优性条件 | 第32页 |
| ·统计学习理论 | 第32-34页 |
| ·机器学习的基本问题 | 第32-33页 |
| ·经验风险最小化原则 | 第33页 |
| ·VC维与结构风险最小化原则 | 第33-34页 |
| ·支持向量机 | 第34-39页 |
| ·线性支持向量机 | 第35-37页 |
| ·非线性支持向量机 | 第37-38页 |
| ·核函数 | 第38-39页 |
| ·基于SVM的负荷预测模型 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第4章 扩展短期负荷预测和云计算技术 | 第41-47页 |
| ·扩展短期负荷预测技术 | 第41-43页 |
| ·扩展短期负荷预测思想的提出 | 第41页 |
| ·扩展短期负荷预测的原理 | 第41-42页 |
| ·扩展短期负荷预测所面对的问题 | 第42-43页 |
| ·云计算技术 | 第43-46页 |
| ·云计算的提出 | 第43-44页 |
| ·云计算的特点和关键技术 | 第44-45页 |
| ·云计算提供的服务 | 第45页 |
| ·云计算在电力系统中的应用 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第5章 基于云计算的扩展短期负荷预测模型 | 第47-54页 |
| ·基于云计算的短期负荷预测模型 | 第47-49页 |
| ·样本的选择与模型的建立 | 第47-48页 |
| ·预测结果分析 | 第48-49页 |
| ·基于云计算的扩展短期负荷预测模型 | 第49-52页 |
| ·样本的选择与模型的建立 | 第49-51页 |
| ·预测结果分析 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 总结与展望 | 第54-55页 |
| 研究工作总结 | 第54页 |
| 今后的展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 附录A 发表的学术论文目录 | 第60页 |
