| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-7页 |
| 目录 | 第7-11页 |
| 1 绪论 | 第11-15页 |
| ·引言 | 第11页 |
| ·国内外短时负荷预测研究及实际应用的历史和现状 | 第11-13页 |
| ·本论文研究的内容、意义及主要工作 | 第13-14页 |
| ·小结 | 第14-15页 |
| 2 负荷特性分析 | 第15-23页 |
| ·引言 | 第15页 |
| ·负荷的内在规律 | 第15-17页 |
| ·负荷变化的年周期性 | 第15-16页 |
| ·负荷变化的周周期性 | 第16-17页 |
| ·负荷变化的日周期性 | 第17页 |
| ·负荷的外在特性 | 第17-20页 |
| ·负荷外在特性的宏观特性 | 第18页 |
| ·负荷外在特性的微观特性 | 第18-20页 |
| ·电力系统的基本负荷模型 | 第20-21页 |
| ·小结 | 第21-23页 |
| 3 小波分析基本理论及其对提高预测精度原理分析 | 第23-35页 |
| ·引言 | 第23页 |
| ·小波变换的由来 | 第23-27页 |
| ·傅立叶变换 | 第23-24页 |
| ·短时傅立叶变换 | 第24-26页 |
| ·小波变换的数学定义 | 第26-27页 |
| ·离散小波变换和二进小波变换 | 第27-28页 |
| ·多分辨分析 | 第28-31页 |
| ·基本概念 | 第28-30页 |
| ·Mallat算法 | 第30-31页 |
| ·小波变换与局部奇异性 | 第31-33页 |
| ·将小波分解用于负荷预测原因分析 | 第33-34页 |
| ·小结 | 第34-35页 |
| 4 基于小波技术消除历史不良数据 | 第35-43页 |
| ·引言 | 第35页 |
| ·对冲击负荷造成的不良数据的处理 | 第35-39页 |
| ·消除冲击负荷数据的方法 | 第35-39页 |
| ·对随机干扰数据的处理 | 第39-41页 |
| ·小波去噪的方法 | 第39-41页 |
| ·仿真算例 | 第41页 |
| ·小结 | 第41-43页 |
| 5 神经网络、时间序列预测技术的基本理论 | 第43-61页 |
| ·引言 | 第43页 |
| ·神经网络的基本原理 | 第43-47页 |
| ·BP网络原理及算法 | 第43-46页 |
| ·算法的实现步骤 | 第46-47页 |
| ·BP算法的缺陷 | 第47页 |
| ·BP算法的改进 | 第47-49页 |
| ·提高神经网络预测效率的数据压缩方法 | 第49-51页 |
| ·输入变量的贡献分析 | 第49-50页 |
| ·主成份分析 | 第50-51页 |
| ·基于时间序列技术对高频负荷的预测 | 第51-58页 |
| ·时间序列预测的一般步骤 | 第52-54页 |
| ·基于时间序列技术对负荷小波分解高频负荷的预测算例 | 第54-58页 |
| ·小结 | 第58-61页 |
| 6 负荷预测模型构建 | 第61-69页 |
| ·引言 | 第61页 |
| ·短期负荷预测基本模型构建 | 第61-64页 |
| ·关联度分析 | 第61页 |
| ·1小时负荷预测模型 | 第61-64页 |
| ·一天负荷预测模型 | 第64页 |
| ·全局模型和局部模型 | 第64-66页 |
| ·引入最新信息对预测模型的改进 | 第66-67页 |
| ·节假日对负荷预测值的调整 | 第67-68页 |
| ·小结 | 第68-69页 |
| 7 模型仿真与结果分析 | 第69-79页 |
| ·引言 | 第69页 |
| ·模型仿真 | 第69-78页 |
| ·1小时模型仿真结果 | 第70-73页 |
| ·一天模型仿真结果 | 第73-76页 |
| ·局部模型仿真结果 | 第76-77页 |
| ·引入最新信息仿真结果 | 第77-78页 |
| ·小结 | 第78-79页 |
| 8 结论 | 第79-81页 |
| ·结论 | 第79页 |
| ·待研究的问题 | 第79-81页 |
| 致谢 | 第81-83页 |
| 参考文献 | 第83-87页 |
| 附: 作者在攻读硕士学位期间发表的论文目录 | 第87-88页 |