智能预测方法及其在能源领域的应用

　　《智能预测方法及其在能源领域的应用》在总结能源预测领域研究成果基础上，首先介绍了过去几十年中应用于电负荷预测的不同技术，其中包括ARIMA、SARIMA、HW、SHW、GRNN、BPNN、SVR模型，混沌云理论及周期性／季节性机制等；然后阐述了经典预测模型及其在能源预测领域的应用情况；最后从基于进化算法的SVR参数确定方法、基于改进优化算法的SVR参数确定方法及计入周期／季节机制的进化SVR预测模型三个方面，系统论述了将SVR、进化算法、云理论、周期／季节机制融合应用于能源预报的建模方法及改进效果。《智能预测方法及其在能源领域的应用》可供预测方法、数理统计及能源预测的研究人员阅读，也可供大专院校数学、计算机、能源开发等专业教师、研究生、高年级学生参考。

暂缺《智能预测方法及其在能源领域的应用》作者简介

第1章 概述
1．1 传统预测方法在能源预测领域的应用
1．2 人工智能方法在能源预测领域的应用
1．3 SVR模型在能源预测领域的应用
1．4 提高SVR模型预测精度的主要途径
参考文献
第2章 预测模型及其在能源领域的应用
2．1 几类经典预测模型
2．2 支持向量机回归模型
2．3 实例数据集和预测对比统计检验
2．4 对比模型建模及预测结果
参考文献
第3章 基于进化算法的SVR参数确定方法
3．1 基于GA的SVR参数确定
3．2 基于SA的SVR参数确定
3．3 基于GA-SA的SVR参数确定
3．4 基于PSO的参数确定
3．5 基于CACO的参数确定
3．6 基于ARC的参数确定
3．7 基于IA的参数确定
参考文献
第4章 基于改进优化算法的SVR参数确定方法
4．1 混沌序列和云模型简介
4．2 CGA及其在参数确定中的应用
4．3 CSA及其在参数确定中的应用
4．4 CCSA及其在参数确定中的应用
4．5 CGASA及其在参数确定中的应用
4．6 CPSOO及其在参数确定中的应用
4．7 CAS及其在参数确定中的应用
4．8 CABC及其在参数确定中的应用
4．9 CIA及其在参数确定中的应用
参考文献
第5章 计入周期／季节机制的进化SVR预测模型
5．1 组合机制
5．2 ARIMA模型和HW模型
5．3 融合周期性／季节性机制改进进化SVR模型
参考文献