电力系统母线负荷预测研究
| 第一章 绪论 | 第1-17页 |
| 1．1 课题的提出 | 第9-11页 |
| 1．2 国内外研究动态 | 第11-15页 |
| 1．2．1 短期负荷预测技术 | 第11-14页 |
| 1．2．2 母线负荷预测 | 第14-15页 |
| 1．3 本文所作的工作 | 第15-17页 |
| 第二章 母线负荷预测问题概述 | 第17-29页 |
| 2．1 母线负荷的定义 | 第17页 |
| 2．2 母线负荷的构成和特点 | 第17-21页 |
| 2．2．1 母线负荷的构成 | 第17-19页 |
| 2．2．2 母线负荷的特点 | 第19-21页 |
| 2．3 母线负荷预测的难点 | 第21-22页 |
| 2．4 母线负荷预测模型 | 第22页 |
| 2．5 母线负荷预测的应用 | 第22-25页 |
| 2．5．1 动态状态估计 | 第22-25页 |
| 2．5．2 无功优化 | 第25页 |
| 2．6 关联度分析方法 | 第25-26页 |
| 2．7 数据的预处理方法 | 第26-28页 |
| 2．7．1 检测不良数据 | 第26-27页 |
| 2．7．2 缺损数据的处理 | 第27页 |
| 2．7．3 数据分布正态化变换 | 第27-28页 |
| 2．7．4 节假日负荷数据的处理 | 第28页 |
| 2．8 预测误差的计算方法 | 第28-29页 |
| 2．8．1 误差分析的考核指标 | 第28页 |
| 2．8．2 误差分析的综合指标 | 第28-29页 |
| 第三章 母线负荷预测的累积式自回归动平均方法研究 | 第29-44页 |
| 3．1 时间序列预测技术 | 第29页 |
| 3．2 随机序列模型 | 第29-34页 |
| 3．2．1 线性模型的自相关函数和偏相关函数 | 第30-31页 |
| 3．2．2 模型识别 | 第31页 |
| 3．2．3 参数估计 | 第31-33页 |
| 3．2．4 模型检验 | 第33-34页 |
| 3．2．5 建立预测模型 | 第34页 |
| 3．3 累积式自回归动平均算法（ARIMA）研究 | 第34-43页 |
| 3．3．1 算法原理 | 第34-35页 |
| 3．3．2 累积式自回归动平均算法 | 第35-39页 |
| 3．3．3 对日期类型的处理方法 | 第39页 |
| 3．3．4 程序框图 | 第39-41页 |
| 3．3．5 预测结果 | 第41-43页 |
| 3．4 结论及分析 | 第43-44页 |
| 第四章 母线负荷预测的人工神经网络方法研究 | 第44-62页 |
| 4．1 人工神经网络在短期负荷预测中的应用 | 第44-45页 |
| 4．2 前馈型BP网络 | 第45-51页 |
| 4．2．1 神经元结构 | 第45-46页 |
| 4．2．2 BP网络的数学模型 | 第46-47页 |
| 4．2．3 BP学习算法 | 第47-49页 |
| 4．2．4 改进的BP算法 | 第49-50页 |
| 4．2．5 网络学习的技巧 | 第50页 |
| 4．2．6 训练样本的学习方式 | 第50-51页 |
| 4．2．7 网络学习前的数据处理 | 第51页 |
| 4．3 ANN预测模型 | 第51-60页 |
| 4．3．1 ANN网络结构 | 第51-56页 |
| 4．3．2 几个实际问题的处理 | 第56-57页 |
| 4．3．3 学习过程 | 第57-58页 |
| 4．3．4 预测过程 | 第58-59页 |
| 4．3．5 ANN算法结构图 | 第59-60页 |
| 4．3．6 预测结果 | 第60页 |
| 4．4 结论及分析 | 第60-62页 |
| 第五章 母线负荷预测的综合预测模型 | 第62-68页 |
| 5．1 母线负荷预测综合模型的提出 | 第62页 |
| 5．2 综合预测模型 | 第62-67页 |
| 5．2．1 序列预测的最优可信度 | 第62-64页 |
| 5．2．2 综合最优预测模型 | 第64-65页 |
| 5．2．3 综合最优模型的简化求解 | 第65-66页 |
| 5．2．4 预测结果 | 第66-67页 |
| 5．3 结论及分析 | 第67-68页 |
| 第六章 结论 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
