论文目录 | |
摘要 | 第1-4
页 |
ABSTRACT | 第4-8
页 |
1 绪论 | 第8-21
页 |
· 课题的选题背景及意义 | 第8-9
页 |
· 国内外研究现状 | 第9-17
页 |
· 负荷预测的经典技术 | 第9-10
页 |
· 传统预测方法 | 第10-14
页 |
· 现代预测技术 | 第14-17
页 |
· 负荷预测的基本要求 | 第17-18
页 |
· 误差分析 | 第18-19
页 |
· 误差产生原因 | 第18
页 |
· 误差分析及模型校验 | 第18-19
页 |
· 本论文研究的主要内容 | 第19-21
页 |
2 基于支持向量回归机的中长期负荷预测算法 | 第21-35
页 |
· 支持向量机基本理论简介 | 第21-24
页 |
· 支持向量机基本概念及应用 | 第21-22
页 |
· 统计学习理论 | 第22-24
页 |
· 支持向量机的基本方法 | 第24-29
页 |
· 基于分类的支持向量机 | 第24-27
页 |
· 基于回归的支持向量机 | 第27-29
页 |
· 算法实现及流程图 | 第29-31
页 |
· 算例分析 | 第31-33
页 |
· 选择训练数据 | 第31-32
页 |
· 预测结果 | 第32
页 |
· 预测结果分析 | 第32-33
页 |
· 本章小结 | 第33-35
页 |
3 基于粗糙集属性约简的改进支持向量回归机负荷预测算法 | 第35-46
页 |
· 粗糙集理论基本原理 | 第35-37
页 |
· 知识 | 第35
页 |
· 不可分辨关系 | 第35-36
页 |
· 近似集 | 第36-37
页 |
· 属性约简 | 第37
页 |
· 基于粗糙集属性约简的支持向量回归机负荷预测算法 | 第37-42
页 |
· 数据规范化及离散化处理 | 第38
页 |
· 负荷影响因素约简 | 第38-40
页 |
· 利用RST 进行负荷预测影响因素筛选的可行性 | 第40
页 |
· 基于RST 数据预处理的SVR 中长期负荷预测的优点 | 第40
页 |
· 基于RST 属性约简的SVR 中长期负荷预测流程图 | 第40-42
页 |
· 算例分析 | 第42-45
页 |
· 建立负荷预测决策信息表 | 第42
页 |
· 原始数据规范化和离散化预处理 | 第42-43
页 |
· 负荷影响因素约简 | 第43-44
页 |
· 利用RST-SVR 进行中长期负荷预测 | 第44-45
页 |
· 本章小结 | 第45-46
页 |
4 粒子群优化支持向量回归机参数的改进负荷预测算法 | 第46-55
页 |
· 粒子群优化算法 | 第46-48
页 |
· PSO 算法基本原理 | 第46-47
页 |
· PSO 算法数学描述 | 第47-48
页 |
· 加入惯性权重因子w 的PSO 算法 | 第48
页 |
· 可变惯性权重PSO 算法 | 第48
页 |
· 基于粒子群参数寻优的改进支持向量回归机预测算法 | 第48-51
页 |
· SVR 各参数的特性 | 第48-49
页 |
· 参数寻优算法的实现 | 第49-50
页 |
· PSO 优化RST-SVR 中长期负荷预测算法流程图 | 第50-51
页 |
· 算例分析 | 第51-54
页 |
· 选择训练数据 | 第51
页 |
· 预测结果 | 第51-53
页 |
· 预测结果分析 | 第53-54
页 |
· 本章小结 | 第54-55
页 |
5 结论与展望 | 第55-57
页 |
· 本文结论 | 第55
页 |
· 后续研究工作的展望 | 第55-57
页 |
致谢 | 第57-58
页 |
参考文献 | 第58-62
页 |
附录 | 第62页 |