| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题的研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的研究目的及意义 | 第11-12页 |
| 1.4 本文的主要研究内容及结构 | 第12-13页 |
| 第二章 电力负荷预测概述 | 第13-18页 |
| 2.1 电力负荷预测的概念及分类 | 第13页 |
| 2.2 电力负荷预测的特点 | 第13-14页 |
| 2.3 电力负荷预测的影响因素分析 | 第14-15页 |
| 2.4 电力负荷预测的基本过程 | 第15-16页 |
| 2.5 电力负荷预测的误差分析 | 第16-17页 |
| 2.6 本章小结 | 第17-18页 |
| 第三章 现代预测关键技术介绍 | 第18-36页 |
| 3.1 人工神经网络 | 第18-25页 |
| 3.l.1 人工神经网络概述 | 第18页 |
| 3.l.2 人工神经网络的特点 | 第18-19页 |
| 3.l.3 人工神经网络的功能和应用 | 第19-21页 |
| 3.l.4 人工神经网络的拓扑结构 | 第21-24页 |
| 3.l.5 人工神经网络的学习 | 第24-25页 |
| 3.2 BP 神经网络 | 第25-31页 |
| 3.2.1 BP 神经网络概述 | 第25-26页 |
| 3.2.2 BP 神经网络结构 | 第26-27页 |
| 3.2.3 BP 神经网络的学习算法 | 第27-31页 |
| 3.2.4 BP 神经网络的优缺点 | 第31页 |
| 3.3 遗传算法 | 第31-33页 |
| 3.3.1 遗传算法概述 | 第31-32页 |
| 3.3.2 遗传算法基本原理 | 第32-33页 |
| 3.3.3 遗传算法的特点 | 第33页 |
| 3.4 粒子群优化算法 | 第33-35页 |
| 3.4.1 粒子群优化算法概述 | 第33-34页 |
| 3.4.2 粒子群优化算法基本原理 | 第34-35页 |
| 3.4.3 粒子群优化算法的特点 | 第35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于 GA-PSO 算法优化 BP 网络的短期电力负荷预测 | 第36-55页 |
| 4.1 模块划分 | 第36-37页 |
| 4.2 BP 神经网络预测模型设计 | 第37-39页 |
| 4.2.1 输入层和输出层的设计 | 第37-38页 |
| 4.2.2 隐含层的设计 | 第38-39页 |
| 4.2.3 转移函数的确定 | 第39页 |
| 4.3 遗传算法优化 BP 神经网络的实现 | 第39-40页 |
| 4.4 粒子群优化算法优化 BP 神经网络的实现 | 第40-42页 |
| 4.5 GA-PSO 算法优化 BP 神经网络的实现 | 第42-44页 |
| 4.6 仿真实验 | 第44-48页 |
| 4.6.1 实验环境 | 第44页 |
| 4.6.2 数据选样 | 第44-46页 |
| 4.6.3 数据预处理 | 第46-48页 |
| 4.6.4 参数设置 | 第48页 |
| 4.7 仿真结果分析 | 第48-53页 |
| 4.8 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 全文总结 | 第55-56页 |
| 5.2 未来展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间发表的论文情况 | 第62-63页 |