| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题研究背景及意义 | 第8-11页 |
| 1.1.1 电力负荷预测的必要性 | 第8-9页 |
| 1.1.2 电力负荷预测的特点、基本原理和原则 | 第9-11页 |
| 1.2 国内外的研究现状 | 第11页 |
| 1.3 本文主要研究内容 | 第11-13页 |
| 第二章 电力地理信息系统的应用 | 第13-19页 |
| 2.1 GIS系统软件选取 | 第13页 |
| 2.2 GIS功能及数据特点 | 第13-14页 |
| 2.3 GIS系统在空间负荷预测中的应用 | 第14-18页 |
| 2.3.1 建立电力GIS | 第15-16页 |
| 2.3.2 负荷元胞的生成 | 第16-17页 |
| 2.3.3 功能区元胞划分后结果的显示 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 电力负荷的分类 | 第19-29页 |
| 3.1 电力负荷分类的背景及意义 | 第19-20页 |
| 3.2 数据预处理 | 第20-22页 |
| 3.2.1 异常数据处理 | 第20-21页 |
| 3.2.2 负荷曲线归一化 | 第21-22页 |
| 3.3 负荷分类方法 | 第22-28页 |
| 3.3.1 基于用户的负荷分类 | 第22-27页 |
| 3.3.2 模糊C-均值聚类 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 最小二乘支持向量机预测模型 | 第29-33页 |
| 4.1 加权最小二乘支持向量机模型 | 第29-32页 |
| 4.1.1 LS-SVM预测模型 | 第29-30页 |
| 4.1.2 具有鲁棒性的加权LS-SVM | 第30-31页 |
| 4.1.3 基于贝叶斯证据推断的参数优化 | 第31-32页 |
| 4.2 基于贝叶斯证据框架下的加权LS-SVM模型 | 第32页 |
| 4.3 本章小结 | 第32-33页 |
| 第五章 基于贝叶斯证据框架优化的加权LS-SVM预测模型 | 第33-44页 |
| 5.1 负荷分类指标体系的建立 | 第33-34页 |
| 5.1.1 负荷分类 | 第33页 |
| 5.1.2 对影响因素进行分析 | 第33页 |
| 5.1.3 负荷分类指标体系的建立 | 第33-34页 |
| 5.2 划分功能区 | 第34页 |
| 5.3 训练样本的选择 | 第34页 |
| 5.4 功能区负荷分类指标的预测 | 第34-35页 |
| 5.5 功能区空间负荷预测总体流程 | 第35-36页 |
| 5.6 算例分析 | 第36-42页 |
| 5.6.1 春季短期负荷预测实例 | 第37-40页 |
| 5.6.2 其它季节短期负荷预测实例对比 | 第40-42页 |
| 5.7 本章小结 | 第42-44页 |
| 第六章 结论与展望 | 第44-47页 |
| 6.1 结论 | 第44-46页 |
| 6.2 展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 发表论文和科研情况说明 | 第50-51页 |
| 致谢 | 第51页 |