| 摘要 | 第8-10页 |
| abstract | 第10-11页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 课题的研究背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 本文的主要工作 | 第15-17页 |
| 第二章 短期电力负荷预测基础理论 | 第17-29页 |
| 2.1 短期电力负荷预测 | 第17-18页 |
| 2.1.1 短期电力负荷预测概念 | 第17页 |
| 2.1.2 短期电力负荷预测原理 | 第17-18页 |
| 2.1.3 短期电力负荷预测步骤 | 第18页 |
| 2.2 BP神经网络模型 | 第18-20页 |
| 2.2.1 模型结构 | 第18-19页 |
| 2.2.2 训练过程 | 第19-20页 |
| 2.3 深度学习 | 第20-28页 |
| 2.3.1 深度学习的基本原理 | 第20-21页 |
| 2.3.2 深度学习的训练过程 | 第21-22页 |
| 2.3.3 深度学习的主要方法 | 第22-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 模型仿真数据处理 | 第29-41页 |
| 3.1 负荷数据提取 | 第29-32页 |
| 3.2 负荷影响因素分析 | 第32-35页 |
| 3.3 实验数据的预处理 | 第35-37页 |
| 3.3.1 样本数据的归一化 | 第35-36页 |
| 3.3.2 预测误差评价指标 | 第36-37页 |
| 3.4 相关序列预测 | 第37-40页 |
| 3.4.1 时间序列预测 | 第37-38页 |
| 3.4.2 基于BP算法的气温时间序列预测 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于DBN模型的短期电力负荷预测 | 第41-52页 |
| 4.1 总体架构 | 第41页 |
| 4.2 数据获取 | 第41-43页 |
| 4.3 数据处理 | 第43-45页 |
| 4.4 模型建立 | 第45页 |
| 4.5 负荷预测 | 第45-48页 |
| 4.5.1 输入节点数确定 | 第45页 |
| 4.5.2 网络层数确定 | 第45-46页 |
| 4.5.3 隐含层节点数确定 | 第46页 |
| 4.5.4 DBN模型训练过程 | 第46-48页 |
| 4.6 实例分析 | 第48-51页 |
| 4.6.1 不计气温的负荷预测结果 | 第48-49页 |
| 4.6.2 计及气温的负荷预测结果 | 第49-51页 |
| 4.7 本章小结 | 第51-52页 |
| 第五章 基于Spark并行计算框架深度学习的短期负荷预测 | 第52-71页 |
| 5.1 Spark并行计算框架简介 | 第52页 |
| 5.2 基于Spark并行计算框架的深度学习并行化 | 第52-56页 |
| 5.2.1 数据分析并行化 | 第52-53页 |
| 5.2.2 预测模型并行化 | 第53-54页 |
| 5.2.3 并行优化实验结果与分析 | 第54-56页 |
| 5.3 基于Spark并行计算框架深度学习的负荷预测 | 第56-63页 |
| 5.3.1 输入历史负荷数据聚类分析 | 第56-58页 |
| 5.3.2 确定隐含层数及节点数 | 第58-60页 |
| 5.3.3 基于DBN模型的负荷分类 | 第60-61页 |
| 5.3.4 基于SAE模型的负荷预测 | 第61-63页 |
| 5.4 实例分析 | 第63-70页 |
| 5.4.1 数据输入 | 第63-64页 |
| 5.4.2 确定隐含层数及节点数 | 第64-66页 |
| 5.4.3 负荷聚类分类 | 第66-67页 |
| 5.4.4 基于Spark并行计算框架SAE深度学习的负荷预测 | 第67-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 结论与展望 | 第71-73页 |
| 6.1 结论 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 学位论文评阅及答辩情况表 | 第78页 |
