| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 短期电力负荷预测方法研究现状 | 第12-15页 |
| 1.2.2 特征选择国内外研究现状 | 第15-16页 |
| 1.3 论文研究内容及章节安排 | 第16-19页 |
| 1.3.1 论文研究内容 | 第16-17页 |
| 1.3.2 论文章节安排 | 第17-19页 |
| 第二章 负荷数据的预处理和特征集合的构建 | 第19-27页 |
| 2.1 负荷数据预处理 | 第19-20页 |
| 2.1.1 缺失值和异常值处理 | 第19-20页 |
| 2.1.2 样本数据的归一化和独热编码(one-hot encoding) | 第20页 |
| 2.2 短期电力负荷预测影响因素分析 | 第20-22页 |
| 2.3 短期电力负荷的特征选择 | 第22-26页 |
| 2.3.1 梯度提升树(GBDT)与属性重要度分析 | 第22-23页 |
| 2.3.2 梯度提升树-递归特征消除(GBDT-RFE)算法 | 第23-24页 |
| 2.3.3 基于深度自编码器的特征提取 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于小波神经网络的短期电力负荷预测模型的搭建 | 第27-41页 |
| 3.1 小波神经网络相关理论 | 第27-29页 |
| 3.1.1 人工神经网络 | 第27-28页 |
| 3.1.2 小波神经网络 | 第28-29页 |
| 3.2 和声搜索及其改进 | 第29-36页 |
| 3.2.1 和声搜索算法 | 第29-30页 |
| 3.2.2 和声搜索的改进 | 第30-31页 |
| 3.2.3 改进和声搜索算法的性能分析 | 第31-34页 |
| 3.2.4 改进和声搜索优化的小波神经网络 | 第34-36页 |
| 3.3 实例分析 | 第36-39页 |
| 3.3.1 评价流程 | 第36-38页 |
| 3.3.2 模型参数设置 | 第38页 |
| 3.3.3 实验评价标准及结果分析 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基于加权EMD分解和小波神经网络的短期电力负荷预测模型 | 第41-50页 |
| 4.1 基于经验模态的负荷分解 | 第41-44页 |
| 4.1.1 经验模态分解的原理 | 第41-42页 |
| 4.1.2 历史负荷序列的EMD方法 | 第42-43页 |
| 4.1.3 基于加权的EMD方法 | 第43-44页 |
| 4.2 基于加权EMD和小波神经网络的预测模型 | 第44-45页 |
| 4.3 算例分析 | 第45-49页 |
| 4.3.1 EMD分解历史负荷序列 | 第45-46页 |
| 4.3.2 EMD分解子序列权重求解 | 第46-47页 |
| 4.3.3 基于改进小波神经网络的子序列预测 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 基于模型融合的短期电力负荷预测模型 | 第50-60页 |
| 5.1 模型融合框架 | 第50-53页 |
| 5.1.1 平均权重方式的模型融合 | 第51页 |
| 5.1.2 最优权重方式的模型融合 | 第51-52页 |
| 5.1.3 方差分析方式的模型融合 | 第52页 |
| 5.1.4 blending模型融合 | 第52-53页 |
| 5.2 基于blending模型融合的短期电力负荷预测模型 | 第53-58页 |
| 5.2.1 极限学习机模型的搭建 | 第53-54页 |
| 5.2.2 XGBoost模型 | 第54-55页 |
| 5.2.3 随机森林模型 | 第55-57页 |
| 5.2.4 blending模型搭建 | 第57-58页 |
| 5.3 预测实例分析 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文总结 | 第60-61页 |
| 6.2 未来工作展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间发表的学术论文目录 | 第68页 |
