| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 课题背景及研究目的和意义 | 第9页 |
| 1.2 国内外研究现状及分析 | 第9-11页 |
| 1.3 论文章节安排及主要内容 | 第11-13页 |
| 2 负荷预测的常用方法 | 第13-19页 |
| 2.1 时间序列 | 第13-14页 |
| 2.2 多重线性回归分析 | 第14-15页 |
| 2.3 神经网络 | 第15-17页 |
| 2.4 本章小结 | 第17-19页 |
| 3 基于BP神经网络的日平均负荷预测 | 第19-29页 |
| 3.1 BP神经网络 | 第19-22页 |
| 3.2 相似日查找 | 第22-25页 |
| 3.2.1 熵权法 | 第22页 |
| 3.2.2 相似度计算 | 第22-25页 |
| 3.3 优化BP神经网络 | 第25-26页 |
| 3.3.1 遗传算法 | 第25-26页 |
| 3.3.2 参数设计 | 第26页 |
| 3.4 负荷预测框架 | 第26-28页 |
| 3.4.1 网络参数 | 第26-27页 |
| 3.4.2 优化模型结构图设计 | 第27-28页 |
| 3.5 本章小结 | 第28-29页 |
| 4 基于深度信念网络的日24点负荷预测 | 第29-41页 |
| 4.1 深度网络概述 | 第29-30页 |
| 4.2 DBN网络模型 | 第30-35页 |
| 4.2.1 RBM网络的基本模型 | 第30-31页 |
| 4.2.2 RBM模型推导与训练 | 第31-33页 |
| 4.2.3 基于RBM的DBN网络基本模型 | 第33-34页 |
| 4.2.4 DBN模型训练 | 第34-35页 |
| 4.3 基于DBN的短期电力负荷预测框架设计 | 第35-36页 |
| 4.4 24点负荷预测特征选择 | 第36-37页 |
| 4.4.1 7天滑动窗口选择 | 第36-37页 |
| 4.4.2 输入特征选择 | 第37页 |
| 4.5 DBN模型参数设置 | 第37-40页 |
| 4.6 本章小结 | 第40-41页 |
| 5 实验分析 | 第41-54页 |
| 5.1 实验数据描述与分析 | 第41-45页 |
| 5.1.1 数据描述 | 第41页 |
| 5.1.2 数据处理与分析 | 第41-45页 |
| 5.2 评价指标 | 第45-46页 |
| 5.3 基于相似日的优化BP神经网络的日平均负荷预测实验 | 第46-49页 |
| 5.3.1 实验描述 | 第46-48页 |
| 5.3.2 预测结果 | 第48-49页 |
| 5.4 基于DBN模型的日24点负荷预测实验 | 第49-52页 |
| 5.4.1 实验描述 | 第49-50页 |
| 5.4.2 预测结果 | 第50-52页 |
| 5.5 本章小结 | 第52-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 本文总结 | 第54-55页 |
| 6.2 研究展望 | 第55-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61页 |