| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 传统电力负荷预测方法 | 第11-12页 |
| 1.2.2 现代电力负荷预测方法 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14-16页 |
| 第2章 电力负荷预测分析 | 第16-30页 |
| 2.1 电力负荷预测 | 第16-19页 |
| 2.1.1 电力负荷预测分类 | 第16-18页 |
| 2.1.2 电力负荷预测的特点 | 第18-19页 |
| 2.2 电力负荷数据特性分析 | 第19-22页 |
| 2.2.1 负荷数据年周期性 | 第19-20页 |
| 2.2.2 负荷数据月周期性 | 第20页 |
| 2.2.3 负荷数据日周期性 | 第20-21页 |
| 2.2.4 负荷数据节假日特性 | 第21-22页 |
| 2.3 电力负荷预测影响因素 | 第22-26页 |
| 2.4 电力负荷预测的基本步骤及误差分析 | 第26-29页 |
| 2.4.1 负荷预测步骤 | 第26-27页 |
| 2.4.2 负荷预测误差分析 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于Lasso-PCA的大数据简约与特征提取 | 第30-38页 |
| 3.1 引言 | 第30页 |
| 3.2 Lasso-PCA模型设计 | 第30-36页 |
| 3.2.1 基于数据简约的Lasso降维分析 | 第30-32页 |
| 3.2.2 主成分分析原理 | 第32-36页 |
| 3.3 数据分析流程 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 改进自适应遗传神经网络算法及模型设计 | 第38-60页 |
| 4.1 引言 | 第38页 |
| 4.2 BP神经网络 | 第38-44页 |
| 4.2.1 人工神经网络结构及原理 | 第39-40页 |
| 4.2.2 BP神经网络结构原理 | 第40-43页 |
| 4.2.3 BP神经网络优劣势 | 第43-44页 |
| 4.3 遗传算法 | 第44-51页 |
| 4.3.1 遗传算法专业术语 | 第45页 |
| 4.3.2 遗传算法原理及要素分析 | 第45-51页 |
| 4.3.3 遗传算法的优劣势 | 第51页 |
| 4.4 遗传算法优化BP神经网络 | 第51-59页 |
| 4.4.1 算法流程设计 | 第51-53页 |
| 4.4.2 自适应遗传算法及改进 | 第53-58页 |
| 4.4.3 IAGA-BP改进神经网络 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 电力系统负荷预测模型及实例分析 | 第60-81页 |
| 5.1 负荷预测模型 | 第60-62页 |
| 5.1.1 BP网络结构分析 | 第60页 |
| 5.1.2 数据预处理 | 第60-61页 |
| 5.1.3 数据归一化处理 | 第61-62页 |
| 5.2 负荷预测仿真结果及分析 | 第62-74页 |
| 5.2.1 标准BP算法和GA-BP算法对比 | 第62-66页 |
| 5.2.2 GA-BP算法和AGA-BP算法对比 | 第66-68页 |
| 5.2.3 AGA-BP算法和IAGA-BP算法对比 | 第68-70页 |
| 5.2.4 预测模型性能分析 | 第70-74页 |
| 5.3 改进模型结构的预测精度分析 | 第74-80页 |
| 5.3.1 影响因子数据简约及特征提取 | 第74-77页 |
| 5.3.2 考虑预测模型结构的短期负荷预测 | 第77-80页 |
| 5.4 本章小结 | 第80-81页 |
| 结论 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第86-87页 |
| 致谢 | 第87页 |