| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 电力负荷的研究现状 | 第10-12页 |
| 1.2.1 电力负荷预测的发展 | 第10-11页 |
| 1.2.2 电力负荷预测分类 | 第11-12页 |
| 1.3 灰色模型的发展与研究现状 | 第12-13页 |
| 1.4 课题的主要研究内容 | 第13-14页 |
| 第2章 灰色系统GM(1,1)预测模型及其改进 | 第14-31页 |
| 2.1 灰色系统 | 第14-16页 |
| 2.1.1 灰色系统 | 第14页 |
| 2.1.2 灰色系统的基本原理 | 第14-15页 |
| 2.1.3 灰色系统的基本概念 | 第15-16页 |
| 2.2 GM(1,1)灰色模型的建模基理 | 第16-17页 |
| 2.3 GM(1,1)灰色模型的建模过程 | 第17-18页 |
| 2.4 动态新息模型 | 第18页 |
| 2.5 GM(1,1)灰色模型的精度检验 | 第18-20页 |
| 2.5.1 相对误差检验法 | 第18-19页 |
| 2.5.2 后验差检验法 | 第19-20页 |
| 2.5.3 关联度检验法 | 第20页 |
| 2.6 GM(1,1)灰色模型的误差来源 | 第20-21页 |
| 2.7 GM(1,1)灰色模型的改进与优化 | 第21-30页 |
| 2.7.1 GM(1,1)模型背景值的优化 | 第21-23页 |
| 2.7.2 优化灰色导数的GM(1,1)模型 | 第23-27页 |
| 2.7.3 GM(1,1)模型初始条件代入式的合理选择 | 第27-28页 |
| 2.7.4 数据序列的处理 | 第28-30页 |
| 2.8 本章小结 | 第30-31页 |
| 第3章 融合GM(1,1)灰色模型的负荷组合预测 | 第31-42页 |
| 3.1 组合优化预测技术 | 第31页 |
| 3.2 GM(1,1)与最小二乘法、指数平滑法对预测结果的组合预测 | 第31-36页 |
| 3.2.1 最小二乘法 | 第32-34页 |
| 3.2.2 指数平滑法 | 第34-36页 |
| 3.3 GM(1,1)与BP人工神经网络模型对预测模型的组合预测 | 第36-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于RBF神经网络对改进GM(1,1)残差修正的负荷预测 | 第42-50页 |
| 4.1 灰色RBF神经网络模型 | 第42-47页 |
| 4.1.1 RBF神经网络模型 | 第42页 |
| 4.1.2 RBF神经网络工作原理 | 第42-43页 |
| 4.1.3 RBF神经网络学习算法 | 第43-44页 |
| 4.1.4 基于RBF神经网络对改进GM(1,1)残差修正的负荷预测 | 第44-45页 |
| 4.1.5 基于RBF神经网络对改进灰色模型残差修正的模型建模及预测 | 第45-47页 |
| 4.2 算例分析 | 第47-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 结论与展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第54-55页 |
| 致谢 | 第55页 |
