模拟退火支持向量机算法研究及在电力负荷预测中的应用
摘要 | 第1-5页 |
Abstract | 第5-10页 |
第1章 绪论 | 第10-21页 |
·问题的提出与研究的意义 | 第10-11页 |
·问题的提出 | 第10页 |
·研究意义和目的 | 第10-11页 |
·国内外研究现状及评述 | 第11-19页 |
·负荷预测的起源和发展 | 第11-12页 |
·电力负荷预测方法的研究现状 | 第12-16页 |
·支持向量机方法在预测领域的研究现状 | 第16-17页 |
·支持向量机模型选择的研究现状 | 第17-18页 |
·总体评价 | 第18-19页 |
·研究内容与研究方法 | 第19-21页 |
·研究内容 | 第19-20页 |
·研究方法 | 第20-21页 |
第2章 电力负荷预测模型分析 | 第21-32页 |
·电力负荷预测的组成及作用 | 第21-25页 |
·电力负荷的分类 | 第21-22页 |
·电力负荷预测的分类 | 第22-23页 |
·负荷预测的特点 | 第23-25页 |
·负荷预测的作用 | 第25页 |
·电力负荷预测分析 | 第25-28页 |
·电力负荷预测的基本原理 | 第25-27页 |
·电力负荷预测的基本步骤 | 第27-28页 |
·影响电力负荷预测精确度的因素 | 第28页 |
·电力负荷预测的模型分析 | 第28-30页 |
·电力负荷预测的模型要求 | 第28-29页 |
·预测精度的检验方法 | 第29-30页 |
·本章小结 | 第30-32页 |
第3章 支持向量机理论分析 | 第32-44页 |
·机器学习理论 | 第32-33页 |
·统计学习理论 | 第33-36页 |
·VC维问题 | 第34页 |
·泛化问题的界 | 第34-35页 |
·结构风险最小化原则 | 第35-36页 |
·支持向量机理论 | 第36-43页 |
·广义最优分类超平面 | 第37-38页 |
·支持向量机 | 第38-40页 |
·支持向量机回归算法 | 第40-43页 |
·本章小结 | 第43-44页 |
第4章 模拟退火支持向量机算法的构建 | 第44-55页 |
·支持向量机的模型选择的理论分析 | 第44-48页 |
·支持向量机的核函数 | 第44-45页 |
·支持向量机中核函数的作用以及影响分析 | 第45-46页 |
·支持向量机参数的影响分析 | 第46-47页 |
·支持向量机模型选择中存在的问题分析 | 第47-48页 |
·模拟退火算法分析 | 第48-52页 |
·模拟退火算法基本思想 | 第48-51页 |
·模拟退火算法的步骤 | 第51-52页 |
·模拟退火算法的参数控制问题分析 | 第52页 |
·模拟退火支持向量机算法的构建 | 第52-54页 |
·本章小结 | 第54-55页 |
第5章 电力负荷预测的实证研究 | 第55-69页 |
·数据的获取 | 第55-57页 |
·模拟退火支持向量机模型预测分析 | 第57-58页 |
·核函数的选取 | 第57页 |
·模拟退火支持向量机模型的参数选择 | 第57-58页 |
·预测结果 | 第58页 |
·基于广义回归神经网络的电力负荷预测模型 | 第58-61页 |
·广义回归神经网络模型 | 第58-60页 |
·模型的测算 | 第60-61页 |
·基于自回归平滑移动模型的电力负荷预测模型 | 第61-65页 |
·自回归平滑移动模型 | 第61-62页 |
·模型的测算 | 第62-65页 |
·预测结果对比及分析 | 第65-67页 |
·本章小结 | 第67-69页 |
结论 | 第69-70页 |
参考文献 | 第70-74页 |
攻读学位期间发表的学术论文 | 第74-76页 |
致谢 | 第76页 |