| 第一章 绪论 | 第10-27页 |
| 1.1 课题研究内容和意义 | 第10-11页 |
| 1.2 现代电力系统和电力市场机制下短期负荷预测的新意义 | 第11-12页 |
| 1.3 电力系统短期负荷预测研究方法概述 | 第12-21页 |
| 1.3.1 基于数理统计理论的短期负荷预测法概述 | 第13-15页 |
| 1.3.2 基于智能原理的短期负荷预测方法概述 | 第15-18页 |
| 1.3.3 基于多元理论融合的短期负荷预测法 | 第18-21页 |
| 1.4 基于多智能原理结合或组合预测模型 | 第21-22页 |
| 1.5 电力系统负荷预测的误差分析指标 | 第22-23页 |
| 1.6 本文的主要工作 | 第23-27页 |
| 第二章 非线性学科的基本理论基础 | 第27-44页 |
| 2.1 引言 | 第27-28页 |
| 2.2 混沌动力学理论基础 | 第28-33页 |
| 2.2.1 混沌定义及其性质 | 第28-30页 |
| 2.2.2 混沌的数学定义 | 第30-32页 |
| 2.2.3 混沌运动的特征 | 第32页 |
| 2.2.4 混沌吸引子特征 | 第32-33页 |
| 2.3 相空间重构理论的基础 | 第33-42页 |
| 2.3.1 相空间重构理论 | 第34-35页 |
| 2.3.2 嵌入维数及延迟时间的求取方法 | 第35-39页 |
| 2.3.3 基于相空间重构理论的 Lyapunov 指数 | 第39-41页 |
| 2.3.4 基于相空间重构理论的柯尔莫哥罗夫熵 | 第41-42页 |
| 2.4 分形理论的基础 | 第42-44页 |
| 第三章 基于多元理论的电力系统短期负荷预测研究 | 第44-85页 |
| 3.1 相空间重构理论的混沌时间序列分析 | 第44-50页 |
| 3.1.1 根据实际负荷资料构造预测动力系统及其动态特性 | 第44-46页 |
| 3.1.2 混沌动力系统局域预测法映射函数构造 | 第46-48页 |
| 3.1.3 基于混沌运动特性优化近邻点局域预测函数研究 | 第48-50页 |
| 3.2 基于相空间 ONP 和动态递归 TDNN 融合的预测模型研究 | 第50-59页 |
| 3.2.1 基于 ONP 与 TDNN 融合模型总体结构 | 第50页 |
| 3.2.2 基于 ONP 与 TDNN 融合模型的整体动力学性能 | 第50-53页 |
| 3.2.3 基于递归 TDNN 的非线性预测模型性能 | 第53-54页 |
| 3.2.4 实际电网和配网日负荷预测与误差分析 | 第54-58页 |
| 3.2.5 小结 | 第58-59页 |
| 3.3 基于 NNP 和优化递归 TDNN 融合的短期负荷预测模型 | 第59-71页 |
| 3.3.1 基于启发式优化算法的 NN 性能 | 第59-60页 |
| 3.3.2 遗传算法简介 | 第60-63页 |
| 3.3.3 用双重 GA 优化递归 TDNN 预测模型 | 第63-65页 |
| 3.3.4 基于 PSR 的 NNP 与优化递归 TDNN 融合预测模型构造 | 第65-67页 |
| 3.3.5 实际地区网和配网日负荷预测与误差分析 | 第67-71页 |
| 3.3.6 结语 | 第71页 |
| 3.4 基于 PSR 的 ONP 与 Elman-NN 融合的短期负荷预测模型 | 第71-80页 |
| 3.4.1 动态递归神经网络概述 | 第72-74页 |
| 3.4.2 Elman 神经网络 | 第74-77页 |
| 3.4.3 基于 ONP 和 Elman-NN 融合的 STLF 模型构造 | 第77页 |
| 3.4.4 实际地区网和配网日负荷预测与误差分析 | 第77-80页 |
| 3.5 三类基于不同理论和不同性质 NN 融合的 STLF 性能比较 | 第80-81页 |
| 3.6 结论 | 第81-85页 |
| 第四章 基于 PSRT 和改进混沌神经网络融合的 STLF 模型研究 | 第85-104页 |
| 4.1 混沌理论在神经网络中的应用简述 | 第85-90页 |
| 4.1.1 神经网络的混沌学习算法的性能 | 第86-88页 |
| 4.1.2 混沌神经网络的基础 | 第88-90页 |
| 4.2 改进混沌神经网络模型构造 | 第90-97页 |
| 4.2.1 常规 Aihara 混沌神经元数学模型 | 第91-94页 |
| 4.2.2 修正的 Aihara 混沌神经元数学模型 | 第94页 |
| 4.2.3 改进混沌神经网络模型 | 第94-95页 |
| 4.2.4 混沌神经网络训练方法 | 第95-97页 |
| 4.3 基于 PSRT 和 ICNN 融合的短期负荷预测模型 | 第97-98页 |
| 4.3.1 最近邻相点和最优近邻点的求取方法 | 第97-98页 |
| 4.3.2 基于 PSRT 与 ICNN 融合的预测模型构造 | 第98页 |
| 4.4 实际地区网和配网日负荷预测与误差分析 | 第98-102页 |
| 4.4.1 仿真测试预测模型构造的基本依据 | 第98-99页 |
| 4.4.2 天津地区电网的四种模型日负荷预测仿真 | 第99-100页 |
| 4.4.3 天津配电网的四种模型日负荷预测仿真 | 第100页 |
| 4.4.4 各模型日负荷预测误差综合分析 | 第100-101页 |
| 4.4.5 研究 ONP 与 ICNN 融合的周预测误差性能 | 第101-102页 |
| 4.5 结论 | 第102-104页 |
| 第五章 多类基于多元理论的短期负荷预测模型性能的比较与分析 | 第104-114页 |
| 5.1 基于多元理论与各类动态预测函数融合的STLF模型--气象因素平稳周预测性能分析 | 第104-109页 |
| 5.2 基于 PSRT 与各类动力学行为 NN 融合的 STLF 模型--夏季高温期周预测误差性能分析 | 第109-110页 |
| 5.3 两种基于多元理论与动态 NN 融合的 STLF 模型年预测误差分析 | 第110-112页 |
| 5.4 结语 | 第112-114页 |
| 第六章 基于数据挖掘聚类与分布 NN 模式识别结合的外部因素负荷模型研究 | 第114-138页 |
| 6.1 引言 | 第114-117页 |
| 6.2 基于 DM 技术的时间序列聚类算法 | 第117-119页 |
| 6.3 基于 DM 的时间序列改进聚类算法 | 第119-121页 |
| 6.4 基于 DM 负荷序列聚类分析与比较 | 第121-124页 |
| 6.5 外部随机因素负荷预测模型 I--基于分布式模糊外部随机因素 NN群 | 第124-131页 |
| 6.5.1 基于分布式模糊 NN 群模型构造--外部随机因素负荷预测模型 | 第125-126页 |
| 6.5.2 模糊理论简介 | 第126-128页 |
| 6.5.3 基于模糊 NN 的模糊 EFLFM 模型构造 | 第128-131页 |
| 6.5.4 基于外部随机因素的模式识别原理 | 第131页 |
| 6.6 天津电网基于 BCLFM 与分布式 FEF-NN 结合的 STLF 模型--预测仿真及误差性能分析 | 第131-132页 |
| 6.7 外部随机因素负荷预测模型 II--基于分布式 DGA-NN 模型群 EFLFM 构造 | 第132-134页 |
| 6.7.1 聚类与气象因素关系分析 | 第132页 |
| 6.7.2 基于 DGA-NN 模型的构造和训练 | 第132-133页 |
| 6.7.3 基于气象特征值的模式识别原理 | 第133-134页 |
| 6.8 天津电网基于 BCLFM 与分布式 DGA-NN 结合的 STLF 模型--预测仿真及误差性能分析 | 第134-136页 |
| 6.9 结论 | 第136-138页 |
| 第七章 结论 | 第138-141页 |
| 参考文献 | 第141-154页 |
| 科研和论文发表情况 | 第154-155页 |
| 致谢 | 第155页 |
