基于改进神经网络算法的智能电网短期负荷预测
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 负荷预测 | 第11-12页 |
| 1.2.1 负荷预测的基本概念 | 第11-12页 |
| 1.2.2 负荷预测的因素 | 第12页 |
| 1.3 国内外研究现状 | 第12-13页 |
| 1.3.1 传统的负荷预测研究方法 | 第12-13页 |
| 1.3.2 基于智能电网的负荷预测的研究现状 | 第13页 |
| 1.4 课题研究内容 | 第13-15页 |
| 第2章 电力系统的负荷预测 | 第15-19页 |
| 2.1 负荷预测的分类 | 第15页 |
| 2.2 负荷预测的特点 | 第15页 |
| 2.3 短期负荷预测的影响因素 | 第15-16页 |
| 2.3.1 气象条件 | 第16页 |
| 2.3.2 节假日 | 第16页 |
| 2.3.3 紧急情况 | 第16页 |
| 2.4 负荷预测的步骤 | 第16-17页 |
| 2.5 负荷预测误差分析 | 第17-18页 |
| 2.5.1 误差产生的原因 | 第17页 |
| 2.5.2 几种误差分析方法 | 第17-18页 |
| 2.6 本章小结 | 第18-19页 |
| 第3章 遗传优化BP神经网络算法的改进 | 第19-31页 |
| 3.1 主成份分析法 | 第19-20页 |
| 3.1.1 主成份分析法的原理 | 第19页 |
| 3.1.2 主成分分析法的主要步骤 | 第19-20页 |
| 3.2 遗传算法 | 第20-22页 |
| 3.2.1 遗传算法的优缺点 | 第20-21页 |
| 3.2.2 遗传算法的运算过程 | 第21-22页 |
| 3.3 神经网络 | 第22-23页 |
| 3.3.1 神经网络的基本概念和原理 | 第22-23页 |
| 3.3.2 神经网络的发展和应用 | 第23页 |
| 3.3.3 神经网络求解问题过程 | 第23页 |
| 3.4 BP神经网络 | 第23-25页 |
| 3.4.1 BP神经网络的训练步骤 | 第24-25页 |
| 3.4.2 BP神经网络的缺点 | 第25页 |
| 3.5 遗传算法和神经网络的结合 | 第25-28页 |
| 3.6 遗传优化BP神经网络 | 第28-29页 |
| 3.7 本章小结 | 第29-31页 |
| 第4章 基于PCA的遗传优化BP网络的负荷预测 | 第31-43页 |
| 4.1 模型的建立 | 第31-35页 |
| 4.1.1 模型输入输出变量的选择 | 第31-33页 |
| 4.1.2 数据归一化处理 | 第33-34页 |
| 4.1.3 误差分析 | 第34-35页 |
| 4.2 实例分析 | 第35-43页 |
| 4.2.1 考虑实时电价的训练 | 第36-39页 |
| 4.2.2 不考虑实时电价的训练 | 第39-43页 |
| 结论 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 附录 | 第48-49页 |
| A.作者在攻读硕士学位期间发表的论文 | 第48-49页 |
| 致谢 | 第49页 |
