| 摘要 | 第2-3页 |
| abstract | 第3-4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 课题的研究背景及意义 | 第7-9页 |
| 1.1.1 研究背景 | 第7-8页 |
| 1.1.2 研究目的及意义 | 第8-9页 |
| 1.2 电力系统负荷预测的研究现状 | 第9-11页 |
| 1.2.1 国内研究现状 | 第9-10页 |
| 1.2.2 国外研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-13页 |
| 第二章 人工神经网络在负荷预测中的应用 | 第13-26页 |
| 2.1 短期负荷预测 | 第13-17页 |
| 2.1.1 负荷预测的基本原则 | 第13-14页 |
| 2.1.2 负荷预测分类及步骤 | 第14-16页 |
| 2.1.3 影响负荷预测的因素 | 第16-17页 |
| 2.2 人工神经网络 | 第17-21页 |
| 2.2.1 人工神经网络概述 | 第17-18页 |
| 2.2.2 人工神经网络分类 | 第18-20页 |
| 2.2.3 神经网络在电力系统负荷预测中的应用 | 第20-21页 |
| 2.3 BP神经网络 | 第21-25页 |
| 2.3.1 BP神经网络预测模型及算法 | 第21-24页 |
| 2.3.2 BP神经网络负荷预测 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于深度神经网络的电力系统短期负荷预测 | 第26-40页 |
| 3.1 深度神经网络 | 第26-30页 |
| 3.1.1 神经网络与深度学习 | 第26-27页 |
| 3.1.2 深度神经网络模型的建立 | 第27-30页 |
| 3.2 DNN预测模型的PSO双重优化算法 | 第30-36页 |
| 3.2.1 粒子群算法 | 第30-32页 |
| 3.2.2 二进制粒子群算法 | 第32-33页 |
| 3.2.3 DNN网络的PSO双重优化算法 | 第33-36页 |
| 3.3 算例分析 | 第36-39页 |
| 3.3.1 预测数据处理 | 第36-37页 |
| 3.3.2 预测结果及误差分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于递归深度神经网络的电力系统短期负荷预测 | 第40-51页 |
| 4.1 反馈神经网络 | 第40-41页 |
| 4.2 RDNN网络模型的建立 | 第41-44页 |
| 4.2.1 RDNN预测模型 | 第41-43页 |
| 4.2.2 RDNN网络稳定性分析 | 第43-44页 |
| 4.3 RDNN网络的优化算法 | 第44-46页 |
| 4.3.1 IPSO算法概述 | 第44-45页 |
| 4.3.2 基于IPSO的RDNN优化算法 | 第45-46页 |
| 4.4 实际地区日负荷预测仿真实例 | 第46-50页 |
| 4.4.1 预测基本依据 | 第46-47页 |
| 4.4.2 预测结果及误差分析 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 攻读学位期间的研究成果 | 第58-59页 |
| 致谢 | 第59-60页 |