| 摘要 | 第1-8页 |
| Abstract | 第8-9页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-22页 |
| ·智能配电网的概述 | 第11-13页 |
| ·智能配电网的国内外发展现状 | 第11-12页 |
| ·适应智能配电网特征的负荷预测及负荷特性分析 | 第12-13页 |
| ·短期负荷预测研究的内容及现实意义 | 第13页 |
| ·负荷预测的特点及影响因素 | 第13-15页 |
| ·负荷预测的特点 | 第13-14页 |
| ·短期负荷预测的影响因素 | 第14-15页 |
| ·短期负荷预测的要求及步骤 | 第15-17页 |
| ·短期负荷预测的要求 | 第15-16页 |
| ·短期负荷预测的步骤 | 第16-17页 |
| ·短期负荷预测的研究现状 | 第17-20页 |
| ·传统预测方法 | 第17-18页 |
| ·现代预测方法 | 第18-20页 |
| ·本文的主要研究内容和章节安排 | 第20-22页 |
| 第2章 支持向量机理论 | 第22-32页 |
| ·机器学习问题 | 第22-23页 |
| ·机器学习问题表示 | 第22页 |
| ·经验风险最小化原则 | 第22-23页 |
| ·统计学习理论 | 第23-24页 |
| ·VC 维 | 第23页 |
| ·结构风险最小化原则 | 第23-24页 |
| ·支持向量机 | 第24-31页 |
| ·预备知识 | 第24-27页 |
| ·支持向量分类原理 | 第27页 |
| ·支持向量机线性回归 | 第27-29页 |
| ·支持向量机非线性回归 | 第29-30页 |
| ·核函数 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 最小二乘支持向量机及其在负荷预测中的应用 | 第32-41页 |
| ·最小二乘支持向量机 | 第32-33页 |
| ·最小二乘支持向量机原理 | 第32-33页 |
| ·基于 LS-SVM 短期负荷预测流程 | 第33页 |
| ·模型选择 | 第33-36页 |
| ·样本集的选择 | 第33-35页 |
| ·预测模型参数的选择 | 第35页 |
| ·预测误差分析 | 第35-36页 |
| ·实例分析 | 第36-39页 |
| ·本章小结 | 第39-41页 |
| 第4章 最小二乘支持向量机模型参数的优化 | 第41-47页 |
| ·粒子群算法 | 第41-42页 |
| ·基本粒子群算法 | 第41-42页 |
| ·标准粒子群算法 | 第42页 |
| ·预测模型参数选择流程 | 第42-43页 |
| ·实例分析 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 第5章 小波分析和 PSO-LSSVM 相结合的短期负荷预测 | 第47-57页 |
| ·引言 | 第47-48页 |
| ·小波理论 | 第48-50页 |
| ·连续小波变换 | 第48-49页 |
| ·离散小波变换 | 第49-50页 |
| ·小波基 | 第50页 |
| ·基于小波分析和 PSO-LSSVM 的短期负荷预测 | 第50-51页 |
| ·实例分析 | 第51-56页 |
| ·本章小结 | 第56-57页 |
| 结论与展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 附录 A 训练样本数据 | 第63-66页 |
| 附录 B 测试样本数据 | 第66-67页 |
| 附录 C 研究生期间发表的论文 | 第67页 |