| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题的研究背景和意义 | 第11-13页 |
| 1.1.1 电力系统负荷预测的意义 | 第11页 |
| 1.1.2 电力系统负荷预测的分类 | 第11-13页 |
| 1.2 短期负荷预测的国内外研究现状 | 第13-18页 |
| 1.2.1 常用的短期负荷预测方法 | 第14-17页 |
| 1.2.2 短期负荷预测方法的研究动向 | 第17-18页 |
| 1.3 本文的主要工作和内容安排 | 第18-21页 |
| 第二章 短期负荷预测的概述与分析 | 第21-33页 |
| 2.1 短期负荷预测的概述 | 第21-23页 |
| 2.1.1 短期负荷预测的基本原则和要求 | 第21-22页 |
| 2.1.2 短期负荷预测的步骤 | 第22页 |
| 2.1.3 短期负荷预测结果的分析和评价 | 第22-23页 |
| 2.2 短期负荷预测的特性分析 | 第23-29页 |
| 2.2.1 短期负荷预测的内在规律 | 第23-26页 |
| 2.2.2 短期负荷预测的外部影响因素 | 第26-29页 |
| 2.3 短期负荷数据的预处理 | 第29-31页 |
| 2.3.1 负荷数据预处理的重要性 | 第29页 |
| 2.3.2 负荷数据的预处理方法 | 第29-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于日特征量相似日的PSO-SVM短期负荷预测方法 | 第33-47页 |
| 3.1 引言 | 第33页 |
| 3.2 日特征量的建立 | 第33-38页 |
| 3.2.1 人体舒适度指数 | 第33-34页 |
| 3.2.2 主要影响因素的选取 | 第34-35页 |
| 3.2.3 主要因素的量化 | 第35-38页 |
| 3.3 相似日的选取 | 第38-39页 |
| 3.4 粒子群优化的支持向量机的预测模型 | 第39-44页 |
| 3.4.1 粒子群优化算法 | 第39-40页 |
| 3.4.2 支持向量机(SVM)理论 | 第40-43页 |
| 3.4.3 预测模型的建立 | 第43-44页 |
| 3.5 仿真验证 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于离散Frechet距离和LS-SVM的短期负荷预测方法 | 第47-57页 |
| 4.1 引言 | 第47页 |
| 4.2 短期负荷曲线的特点分析 | 第47-48页 |
| 4.3 基于离散Frechet距离的曲线相似性判定 | 第48-52页 |
| 4.3.1 曲线间的连续Frechet距离和离散Frechet距离 | 第48-50页 |
| 4.3.2 Frechet距离与离散Frechet距离的比较 | 第50-51页 |
| 4.3.3 离散Frechet距离判别负荷曲线相似性 | 第51-52页 |
| 4.4 最小二乘支持向量机(LS-SVM)的预测模型 | 第52-54页 |
| 4.4.1 LS-SVM的基本原理 | 第52-53页 |
| 4.4.2 预测模型的建立 | 第53-54页 |
| 4.5 仿真验证 | 第54-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 基于EEMD相似日分解的LS-SVM短期负荷预测方法 | 第57-67页 |
| 5.1 引言 | 第57页 |
| 5.2 经验模态分解(EMD)原理 | 第57-59页 |
| 5.3 基于噪声辅助分析的经验模态分解(EEMD) | 第59-62页 |
| 5.3.1 EMD在白噪声信号下的特性 | 第59-60页 |
| 5.3.2 EEMD的原理 | 第60-62页 |
| 5.4 预测模型的建立 | 第62-63页 |
| 5.5 仿真验证 | 第63-65页 |
| 5.6 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 附录A 攻读硕士期间发表的论文 | 第75页 |
| 附录B 攻读硕士期间获得的软件著作权 | 第75页 |
