| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 电力市场基本概念 | 第8-11页 |
| 1.1.1 电力市场 | 第8-10页 |
| 1.1.2 电力负荷 | 第10页 |
| 1.1.3 负荷预测 | 第10-11页 |
| 1.2 选题背景和研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 经典预测技术 | 第13页 |
| 1.3.2 时间序列模型 | 第13-14页 |
| 1.3.3 人工智能模型 | 第14-15页 |
| 1.3.4 灰色预测模型 | 第15页 |
| 1.3.5 组合预测模型 | 第15-16页 |
| 1.3.6 混合预测模型 | 第16页 |
| 1.4 本文主要研究内容与组织结构 | 第16-18页 |
| 第二章 聚类分析和最小二乘支持向量机基本理论 | 第18-28页 |
| 2.1 聚类分析 | 第18-26页 |
| 2.1.1 什么是聚类分析 | 第18-19页 |
| 2.1.2 主要聚类方法分类 | 第19-23页 |
| 2.1.3 K-Means算法 | 第23-24页 |
| 2.1.4 SOM聚类算法 | 第24-26页 |
| 2.2 最小二乘支持向量机 | 第26-28页 |
| 第三章 聚类分析和最小二乘支持向量机混合预测模型 | 第28-36页 |
| 3.1 短期电力负荷预测原理及流程 | 第28-30页 |
| 3.1.1 短期负荷预测原理 | 第28-29页 |
| 3.1.2 短期负荷预测流程 | 第29-30页 |
| 3.2 混合预测模型总体介绍 | 第30-32页 |
| 3.2.1 原始数据构建 | 第31页 |
| 3.2.2 数据预处理 | 第31-32页 |
| 3.3 最小二乘支持向量机预测模型 | 第32-36页 |
| 3.3.1 参数选择及优化 | 第32-35页 |
| 3.3.2 参数验证 | 第35-36页 |
| 第四章 聚类分析和LSSVM混合预测模型实例分析 | 第36-48页 |
| 4.1 澳大利亚新南威尔士州电力负荷预测 | 第36-38页 |
| 4.1.1 数据描述 | 第36页 |
| 4.1.2 聚类分析 | 第36-37页 |
| 4.1.3 LSSVM预测模型 | 第37-38页 |
| 4.1.4 预测误差评估指标 | 第38页 |
| 4.2 预测结果分析与对比 | 第38-46页 |
| 4.2.1 改进网格优化与传统网格优化,粒子群优化算法分析 | 第38-39页 |
| 4.2.2 本文预测模型之间纵向对比 | 第39-44页 |
| 4.2.3 本文预测模型与传统时间序列模型横向对比 | 第44-46页 |
| 4.3 澳大利亚昆士兰州电力负荷预测 | 第46-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 在学期间的研究成果 | 第53-54页 |
| 致谢 | 第54页 |