參考文獻
[1] 康重慶，夏清，劉梅，等. 電力系統負荷預測[M].2版. 北京：中國電力出版社，2017.
[2] 馬立新，李淵. 日最大負荷特性分析及預測方法[J].電力系統及其自動化學報，2014，26(10)：31-34.
[3] 劉曉娟，方建安. 基于雙修正因子的模糊時間序列日最大負荷預測[J] . 中國電力，2013，46(10)：115-118.
[4] 崔和瑞，彭旭. 基于ARIMA 模型的夏季短期電力負荷預測[J]. 電力系統保護與控制，2015，43(4)：108-114.
[5] 任海軍，張曉星，肖波，等. 基于概念格的神經網絡日最大負荷預測輸入參數選擇[J] . 吉林大學學報( 理學版），2011，49(1)：87-92.
[6] 嵇靈，牛東曉，吳煥苗. 基于貝葉斯框架和回聲狀態網絡的日最大負荷預測研究[J] . 電網技術，2012，36(11)：82-86.
[7] 李筍，王超，張桂林，等. 基于支持向量回歸的短期負荷預測[J] . 山東大學學報( 工學版)，2017，47(6)：52-56.
[8] 李素，袁志高，王聰，等. 群智能算法優化支持向量機參數綜述[J]. 智能系統學報，2018，13(1)：70-84.
[9] JIE Z, SIYUAN W.Thermal load forecasting basedon PSO - SVR [C] / /2018 IEEE 4th International Conference on Computer and Communications(ICCC)，2018：2676-2680.
[10] TAO Y, YAN H, GAO H, et al. Application of SVR optimized by modified simulated annealing(MSA-SVR) air conditioning load prediction model[J]. Journal of Industrial Information Integration，2019，15：247-251.
[11] 宮毓斌，滕歡. 基于GOA-SVM 的短期負荷預測[J].電測與儀表，2019，56(14)：12-16.
[12] 王建國，張文興. 支持向量機建模及其智能優化[M]. 北京：清華大學出版社，2015.
[13] MENG X B, GAO X Z, LIU Yu, et al. A novel bat algorithm with habitat selection and Doppler effect in echoes for optimization[J].Expert Systems with Applications，2015，42(17/18)：6350-6364.
[14] 王文錦，戚佳金，王文婷，等. 基于人工蜂群優化極限學習機的短期負荷預測[J] . 電測與儀表，2017，54(11)：32-35.
[15] SAKURAI D, FUKUYAMA Y, IIZAKA T, et al. Daily peak load forecasting by artificial neural network using differential evolutionary particle swarm optimization considering outliers[J]. IFAC PapersOnLine，2019，52(4)：389-394.
[16] 王亞琴，王耀力，王力波，等. 一種改進果蠅算法優化神經網絡短期負荷預測模型[J] . 電測與儀表，2018，55(22)：13-18.
