电力系统短期负荷预测方法的研究及实现
| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-16页 |
| 1．1 电力负荷预测的意义 | 第12-13页 |
| 1．2 电力负荷预测技术的发展和现状 | 第13-14页 |
| 1．3 本文所完成的主要工作 | 第14-16页 |
| 第2章 负荷预测原理 | 第16-25页 |
| 2．1 引言 | 第16-17页 |
| 2．2 短期负荷预测基本模型 | 第17-22页 |
| 2．2．1 影响负荷的因素 | 第17-19页 |
| 2．2．2 短期负荷预测基本模型 | 第19-22页 |
| 2．3 负荷预测的特点和原理 | 第22-25页 |
| 2．3．1 负荷预测的特点 | 第22-23页 |
| 2．3．2 负荷预测的原理 | 第23-25页 |
| 第3章 短期负荷预测基本方法 | 第25-34页 |
| 3．1 引言 | 第25页 |
| 3．2 各种预测方法简介 | 第25-32页 |
| 3．2．1 多元线性回归分析法 | 第25-26页 |
| 3．2．2 指数平滑法 | 第26-27页 |
| 3．2．3 随机时间序列法 | 第27-30页 |
| 3．2．4 人工神经网络法 | 第30-31页 |
| 3．2．5 专家系统方法 | 第31-32页 |
| 3．3 各种预测方法简评 | 第32-34页 |
| 第4章 短期负荷预测方法研究 | 第34-44页 |
| 4．1 日负荷数据的归一化处理 | 第35-36页 |
| 4．2 通过RBF神经网络预测日负荷归一化曲线 | 第36-40页 |
| 4．2．1 RBF网络概述 | 第36-37页 |
| 4．2．2 RBF网络参数的初始化 | 第37页 |
| 4．2．3 RBF网络学习算法 | 第37-39页 |
| 4．2．4 RBF网络短期负荷预测模型 | 第39-40页 |
| 4．3 预测日负荷最大值和最小值 | 第40-41页 |
| 4．4 节假日负荷预测 | 第41-42页 |
| 4．5 实例分析 | 第42-44页 |
| 第5章 电力负荷数据中坏数据的检测与调整 | 第44-53页 |
| 5．1 负荷坏数据检测与调整的基本思路 | 第44-45页 |
| 5．2 特征曲线的产生 | 第45-50页 |
| 5．2．1 聚类分析 | 第45-46页 |
| 5．2．2 k-均值算法 | 第46-49页 |
| 5．2．3 采用k-均值算法实现负荷曲线的聚类 | 第49-50页 |
| 5．3 基于特征曲线的坏数据检测及调整 | 第50-51页 |
| 5．4 实例分析 | 第51-53页 |
| 第6章 短期负荷预测系统的开发 | 第53-68页 |
| 6．1 系统的构成 | 第53页 |
| 6．2 数据库设计 | 第53-55页 |
| 6．3 负荷预测软件 | 第55-67页 |
| 6．3．1 主框架简介 | 第55-59页 |
| 6．3．2 功能操作 | 第59-67页 |
| 6．4 软件特点 | 第67-68页 |
| 第7章 结论与展望 | 第68-70页 |
| 7．1 结论 | 第68-69页 |
| 7．2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 攻读硕士学位期间发表的学术论文 | 第73页 |
