月度负荷预测的支持向量机与综合模型研究 |
论文目录 | | | 摘要 | 第1-4页 | | ABSTRACT | 第4-8页 | | 第一章 绪论 | 第8-16页 | | · 本课题研究的内容及意义 | 第8-9页 | | · 电力系统负荷预测的分类 | 第8-9页 | | · 月度负荷预测 | 第9页 | | · 电力系统月度负荷预测研究现状 | 第9-12页 | | · 支持向量机在电力系统中的应用 | 第12-13页 | | · 粒子群优化算法在电力系统中的应用 | 第13-14页 | | · 本文的主要工作 | 第14-16页 | | 第二章 支持向量机的基本理论 | 第16-27页 | | · 统计学习理论 | 第16-20页 | | · 机器学习问题 | 第17-18页 | | · 统计学习理论的基本概念 | 第18-20页 | | · 支持向量机回归算法 | 第20-25页 | | · 线性回归模型 | 第20-23页 | | · 非线性回归模型 | 第23-25页 | | · 支持向量机和神经网络的比较 | 第25-26页 | | · 本章小结 | 第26-27页 | | 第三章 基于粒子群优化支持向量机算法的参数选择 | 第27-37页 | | · 支持向量机回归模型中的参数影响 | 第27-28页 | | · 粒子群优化算法 | 第28-30页 | | · 算法的原理 | 第28-29页 | | · 参数的分析与设置 | 第29-30页 | | · 改进的粒子群优化算法 | 第30-34页 | | · 混沌及特性 | 第31页 | | · 群体早熟收敛程度评价 | 第31-32页 | | · 自适应调整策略 | 第32-33页 | | · ACPSO-SVM 算法流程 | 第33-34页 | | · 仿真实例 | 第34-36页 | | · 本章小结 | 第36-37页 | | 第四章 基于ACPSO 优化支持向量机的月度负荷预测模型 | 第37-52页 | | · 月度负荷预测概述 | 第37-39页 | | · 月度负荷的特点 | 第37-39页 | | · 负荷预测的特点 | 第39页 | | · 负荷预测的过程 | 第39-43页 | | · 负荷预测的基本程序 | 第39-40页 | | · 历史负荷数据的预处理 | 第40-42页 | | · 误差评价指标 | 第42-43页 | | · ACPSO-SVM 负荷预测模型 | 第43-46页 | | · 仿真实例 | 第46-51页 | | · 本章小结 | 第51-52页 | | 第五章 基于相对关联度的灰色支持向量机综合预测模型 | 第52-66页 | | · 综合预测的概念 | 第52-54页 | | · 综合预测的有关定义 | 第52-53页 | | · 综合预测的实现途径和分类 | 第53-54页 | | · 灰色系统理论概述 | 第54-57页 | | · 灰色关联度 | 第54-55页 | | · 灰色GM(1,1)原理 | 第55-57页 | | · 基于相对关联度的灰色支持向量机综合预测模型 | 第57-61页 | | · 相对关联度 | 第57-59页 | | · 改进的GM(1,1)预测模型 | 第59-60页 | | · 灰色支持向量机综合预测模型的建模 | 第60-61页 | | · 仿真实例 | 第61-65页 | | · 本章小结 | 第65-66页 | | 第六章 总结与展望 | 第66-68页 | | 参考文献 | 第68-72页 | | 致谢 | 第72-73页 | | 攻读硕士学位期间发表或录用的论文 | 第73-75页 |
|
|
|
