| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 电力系统短期负荷预测的研究背景与研究意义 | 第9-10页 |
| 1.1.1 短期负荷预测研究背景 | 第9-10页 |
| 1.1.2 短期负荷预测研究意义 | 第10页 |
| 1.2 国内外短期负荷预测研究的现状与存在的问题 | 第10-14页 |
| 1.2.1 国内外研究现状 | 第10-14页 |
| 1.2.2 目前存在的问题 | 第14页 |
| 1.3 本文主要工作内容及组织结构 | 第14-17页 |
| 1.3.1 主要工作内容 | 第14-15页 |
| 1.3.2 组织结构 | 第15-17页 |
| 第二章 短期负荷特性及其预测分析 | 第17-25页 |
| 2.1 短期负荷基本特性 | 第17页 |
| 2.2 影响短期负荷变化的主要因素 | 第17-20页 |
| 2.3 短期负荷预测分析 | 第20-24页 |
| 2.3.1 短期负荷预测特性分析 | 第20-21页 |
| 2.3.2 短期负荷预测的基本步骤 | 第21-23页 |
| 2.3.3 短期负荷预测的误差分析 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于支持向量机的短期负荷预测 | 第25-46页 |
| 3.1 统计学习理论 | 第25-29页 |
| 3.1.1 机器学习的表述方式 | 第25-27页 |
| 3.1.2 VC维与推广性的界 | 第27-29页 |
| 3.2 支持向量机 | 第29-36页 |
| 3.2.1 支持向量机原理 | 第29-33页 |
| 3.2.2 支持向量机回归 | 第33-35页 |
| 3.2.3 支持向量机相关参数与核函数的选择 | 第35-36页 |
| 3.3 实验与仿真 | 第36-44页 |
| 3.3.1 基于SVM短期负荷预测流程 | 第36-37页 |
| 3.3.2 基于SVM短期负荷预测具体步骤 | 第37-39页 |
| 3.3.3 预测结果与分析 | 第39-41页 |
| 3.3.4 与人工神经网络法的对比 | 第41-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第四章 基于贝叶斯理论的支持向量机方法及其在短期负荷预测中的应用 | 第46-65页 |
| 4.1 贝叶斯理论基础 | 第46-47页 |
| 4.2 贝叶斯证据框架 | 第47-50页 |
| 4.3 实验与仿真 | 第50-64页 |
| 4.3.1 建立基于贝叶斯理论的支持向量机预测模型 | 第50-52页 |
| 4.3.2 选取样本数据 | 第52-55页 |
| 4.3.3 数据预处理 | 第55-59页 |
| 4.3.4 基于贝叶斯证据框架下的参数寻优 | 第59-61页 |
| 4.3.5 预测具体步骤 | 第61页 |
| 4.3.6 预测结果与分析 | 第61-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第五章 总结与展望 | 第65-68页 |
| 5.1 本文总结 | 第65-66页 |
| 5.2 未来展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间主要研究成果 | 第72-73页 |
| 致谢 | 第73-74页 |
| 附录 | 第74-75页 |