logo
首页 首页 教育论文中心 教育论文中心 广告服务 广告服务 论文搜索 论文搜索 论文发表 论文发表 汇款确认 汇款确认 会员专区 会员专区 在线购卡 在线购卡 服务帮助 服务帮助 联系我们 联系我们 网站地图 网站地图 快速搜索 会员专区 硕士论文 会员专区 博士论文
当前位置:教育论文中心首页--硕士论文--基于改进果蝇算法优化支持向量机的短期负荷预测
博硕论文分类列表
工业技术 交通运输 农业科学
生物科学 航空航天 历史地理
医学卫生 语言文字 环境科学
综合图书 政治法律 社会科学
马列主义、毛泽东思想 艺术
数理科学和化学 文学
天文学、地理科学 军事
文化科学、教育体育 经济
自然科学总论 哲学
查看更多分类
论文搜索
 
相关论文
小波支持向量在发酵过程中应用
模糊孪生支持向量改进及其求解
基于统计学习分类方法及在Web
支持向量学习算法若干问题研究
物体检测技术和半定规划松弛聚类
基于模糊聚类分析与最小二乘支持
负荷预测可信度分析及在海岛供电系
基于统计学习理论支持向量算法
双重正则化支持向量一种全局线
模糊支持张量机理论研究与应用
模糊孪生支持向量分类算法及其应
求解分类问题支持向量方法与应
基于边界向量样本支持向量分类机
局部支持向量研究
鲁棒支持向量研究
非平行超平面支持向量研究
基于双子支持向量航空发动机故
非平行平面支持向量及特征提取中
加权模糊支持向量及其应用研究
支持向量及半监督学习中若干问题
基于支持向量入侵检测研究
基于偏二叉树双支持向量遥感图
超球体多类支持向量及其在DDo
基于超球体多类支持向量高光谱
支持向量算法研究
最小二乘双支持向量两种拓展及
多维输出支持向量回归若干研究及
基于判别公共矢量模式识别技术及
支持向量支持向量域描述若干
基于支持向量短期电力负荷预测
支持向量在电力系统短期负荷预测
基于支持向量遥感分类对比研究
基于极限向量风电功率预测方法
支持向量方法及其在机载毫米波雷
支持向量在工程领域应用研究
科目列表
市场营销 管理理论 人力资源
电子商务 社会实践 先进教育
伦理道德 艺术理论 环境保护
农村研究 交通相关 烟草论文
电子电气 财务分析 融资决策
电影艺术 国学论文 材料工程
语文论文 数学论文 英语论文
政治论文 物理论文 化学论文
生物论文 美术论文 历史论文
地理论文 信息技术 班主任
音乐论文 体育论文 劳技论文
自然论文 德育管理 农村教育
素质教育 三个代表 旅游管理
国际贸易 哲学论文 工商管理
证券金融 社会学 审计论文
会计论文 建筑论文 电力论文
水利论文 园林景观 农林学
中医学 西医学 心理学
公安论文 法学法律 思想汇报
法律文书 总结报告 演讲稿
物业管理 经济学 论文指导
计算机 护理论文 社会调查
军事论文 化工论文 财政税收
保险论文 物流论文 语言教育
教育教学 给水排水 暖通论文
结构论文 综合类别 硕士论文
博士论文    
 
 
基于改进果蝇算法优化支持向量机的短期负荷预测
 
     论文目录
 
摘要第4-5页
ABSTRACT第5页
第一章 绪论第8-13页
    1.1 课题研究的背景及意义第8-9页
    1.2 短期负荷预测的研究现状第9-12页
        1.2.1 传统预测法第9-10页
        1.2.2 现代人工智能法第10-12页
    1.3 本文主要工作第12-13页
第二章 电力系统负荷预测的基本理论第13-21页
    2.1 电力系统负荷预测的分类第13-14页
    2.2 负荷预测的步骤第14-15页
    2.3 负荷特性分析第15-19页
        2.3.1 负荷周期性分析第15-16页
        2.3.2 影响因素分析第16-19页
    2.5 历史负荷的预处理第19-20页
        2.5.1 异常数据的处理第19页
        2.5.2 历史数据归一化第19-20页
    2.6 本章小结第20-21页
第三章 支持向量机理论第21-32页
    3.1 统计学习理论第21-24页
    3.2 支持向量机第24-31页
        3.2.1 最优分类面第24-27页
        3.2.2 核函数第27-28页
        3.2.3 支持向量机回归第28-31页
    3.3 本章小结第31-32页
第四章 果蝇优化算法第32-36页
    4.1 演化式计算和群体智能第32-33页
    4.2 果蝇算法的原理第33页
    4.3 果蝇算法寻优步骤第33-35页
    4.4 果蝇算法的改进第35页
    4.5 本章小结第35-36页
第五章 基于MFOA-SVM的短期负荷预测第36-46页
    5.1 样本数据的选取第36-39页
        5.1.1 日特征相似度第36-37页
        5.1.2 趋势相似度第37页
        5.1.3 前趋势相似度第37页
        5.1.4 综合日特征和负荷趋势度的评价函数第37-38页
        5.1.5 日特征量的量化处理第38-39页
    5.2 模型的选择第39-42页
        5.2.1 核函数的选取第39-40页
        5.2.2 参数的分析和选取第40-42页
    5.3 基于MFOA-SVM模型预测的步骤第42-43页
    5.4 预测误差分析第43-44页
    5.5 预测误差修正第44-45页
    5.6 本章小结第45-46页
第六章 算例仿真分析第46-58页
    6.1 预测仿真分析第46-54页
        6.1.1 基于FOA-SVM的预测第47-48页
        6.1.2 基于FOA-GRNN的预测第48-49页
        6.1.3 基于MFOA-SVM的预测第49-51页
        6.1.4 三种方法预测结果对比分析第51-54页
    6.2 基于MFOA-SVM模型普通日的负荷预测第54-55页
    6.3 基于MFOA-SVM模型节假日的负荷预测第55-57页
    6.4 本章小结第57-58页
结论第58-60页
参考文献第60-64页
致谢第64-65页
攻读学位期间发表的学术论文第65页

 
论文编号BS3742136,这篇论文共65
会员购买按0.35元/页下载,共需支付22.75元。        直接购买按0.5元/页下载,共需要支付32.5元 。
  • 我还不是会员,我要注册会员
  • 会员下载论文更优惠!充值还送钱!
  • 我只需要这一篇论文,无需注册!
  • 直接网上支付,方便快捷!
  •  您可能感兴趣的论文
    版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。
     
     
    | 会员专区 | 在线购卡 | 广告服务 | 网站地图 |
    版权所有 教育论文中心 Copyright(C) All Rights Reserved
    联系方式: QQ:277865656 或写信给我