| 摘要 | 第1-8页 |
| Abstract | 第8-13页 |
| 第1章 绪论 | 第13-27页 |
| ·电力系统负荷预测的作用与意义 | 第13-15页 |
| ·短期负荷预测的研究现状 | 第15-24页 |
| ·经典预测方法 | 第15-17页 |
| ·现代预测方法 | 第17-24页 |
| ·本文的主要研究内容 | 第24-27页 |
| 第2章 基于相空间重构的混沌局域法短期负荷预测 | 第27-40页 |
| ·相空间重构理论 | 第27-30页 |
| ·混沌时间序列的判定 | 第30-31页 |
| ·混沌时间序列局域法预测模型 | 第31-34页 |
| ·加权一阶局域法一步预测模型(AOLM) | 第32-33页 |
| ·加权一阶局域法多步预测模型(AOLMM) | 第33-34页 |
| ·基于AOLMM的短期负荷预测 | 第34-38页 |
| ·工作日负荷预测 | 第36-37页 |
| ·休息日负荷预测 | 第37-38页 |
| ·小结 | 第38-40页 |
| 第3章 随机聚焦搜索优化算法(SFS) | 第40-62页 |
| ·PSO优化算法 | 第40-43页 |
| ·PSO算法的基本原理 | 第40-42页 |
| ·PSO算法的改进 | 第42-43页 |
| ·SFS优化算法 | 第43-48页 |
| ·SFS算法的基本原理 | 第44-46页 |
| ·SFS算法的参数选取 | 第46-47页 |
| ·SFS算法的流程 | 第47-48页 |
| ·SFS算法与PSO算法的区别 | 第48页 |
| ·基于SFS算法的函数优化 | 第48-58页 |
| ·benchmark函数 | 第49-50页 |
| ·实验结果及分析 | 第50-58页 |
| ·基于SFS算法的无功优化 | 第58-60页 |
| ·无功优化模型 | 第58-59页 |
| ·实验结果及分析 | 第59-60页 |
| ·小结 | 第60-62页 |
| 第4章 SVM及其短期峰值负荷预测 | 第62-78页 |
| ·机器学习的发展 | 第62-64页 |
| ·统计学习理论基础 | 第64-67页 |
| ·支持向量回归机模型 | 第67-70页 |
| ·相空间重构与SVM结合的短期峰值负荷预测 | 第70-77页 |
| ·SVM输入参量的选取 | 第71-72页 |
| ·基于SFS的SVM参数优化 | 第72-73页 |
| ·日峰值负荷预测 | 第73-77页 |
| ·小结 | 第77-78页 |
| 第5章 平移不变小波核SVM及其短期负荷预测 | 第78-103页 |
| ·核函数 | 第78-80页 |
| ·平移不变小波核函数 | 第80-84页 |
| ·小波分析 | 第80-82页 |
| ·平移不变小波核函数的判定 | 第82-84页 |
| ·三种平移不变小波核函数及其证明 | 第84-89页 |
| ·基于平移不变小波核SVM的函数逼近与时间序列预测 | 第89-97页 |
| ·一维函数逼近 | 第89-92页 |
| ·二维函数逼近 | 第92-93页 |
| ·Chen's混沌时间序列预测 | 第93-97页 |
| ·相空间重构与小波核SVM结合的短期负荷预测 | 第97-102页 |
| ·负荷时间序列的相空间重构 | 第97-98页 |
| ·基于SFS的SVM参数优化结果 | 第98页 |
| ·工作日预测结果 | 第98-100页 |
| ·休息日预测结果 | 第100-102页 |
| ·小结 | 第102-103页 |
| 第6章 结论与展望 | 第103-105页 |
| ·全文工作总结 | 第103-104页 |
| ·进一步工作的展望 | 第104-105页 |
| 致谢 | 第105-106页 |
| 参考文献 | 第106-114页 |
| 攻读博士学位期间的论文及科研情况 | 第114-115页 |