| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| CONTENTS | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 选题的背景和意义 | 第13-14页 |
| 1.2 短期负荷预测国内外研究现状 | 第14-17页 |
| 1.3 本文的研究内容及创新点 | 第17-19页 |
| 1.3.1 本文研究的主要内容 | 第17页 |
| 1.3.2 本文创新点 | 第17-19页 |
| 第二章 短期负荷预测特性分析及存在的主要问题 | 第19-31页 |
| 2.1 负荷预测原则及分类 | 第19-20页 |
| 2.1.1 负荷预测原则 | 第19页 |
| 2.1.2 负荷预测的类型 | 第19-20页 |
| 2.2 电力系统短期负荷特性分析 | 第20-23页 |
| 2.2.1 电力负荷组成分析 | 第20-21页 |
| 2.2.2 基础负荷的特性分析 | 第21-23页 |
| 2.3 小水电和冲击负荷地区的负荷预测特性分析 | 第23-27页 |
| 2.4 小水电和冲击负荷地区负荷预测的主要问题 | 第27-28页 |
| 2.5 数据预处理 | 第28-29页 |
| 2.5.1 负荷数据的选取 | 第28页 |
| 2.5.2 异常数据的处理 | 第28-29页 |
| 2.6 负荷预测误差分析 | 第29-31页 |
| 2.6.1 误差产生的原因 | 第29-30页 |
| 2.6.2 误差表示和分析方法 | 第30-31页 |
| 第三章 基于贝叶斯神经网络的短期负荷预测 | 第31-50页 |
| 3.1 神经网络基本概念及分类 | 第31页 |
| 3.2 BP神经网络 | 第31-37页 |
| 3.2.1 BP神经网络的原理 | 第31-32页 |
| 3.2.2 BP神经网络的结构 | 第32-33页 |
| 3.2.3 BP神经网络的学习公式 | 第33-34页 |
| 3.2.4 BP神经网络的算法步骤 | 第34-35页 |
| 3.2.5 目前主流的改进型BP算法 | 第35-37页 |
| 3.3 以河源市电力系统为例建立LM-BP神经网络短期负荷预测模型 | 第37-46页 |
| 3.3.1 建模基本思路 | 第37-38页 |
| 3.3.2 建模基本原则 | 第38页 |
| 3.3.3 建模实例 | 第38-41页 |
| 3.3.4 数据的归一化和反归一化 | 第41-42页 |
| 3.3.5 负荷预测准确率评价指标 | 第42-43页 |
| 3.3.6 模型一和模型二预测结果 | 第43-45页 |
| 3.3.7 对比分析预测结果 | 第45-46页 |
| 3.4 改进型BP神经网络——贝叶斯神经网络 | 第46-49页 |
| 3.4.1 模型三预测结果 | 第46-48页 |
| 3.4.2 对比分析预测结果 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 小水电和冲击负荷地区的短期负荷预测研究 | 第50-60页 |
| 4.1 小波分析 | 第50-51页 |
| 4.1.1 小波理论 | 第50页 |
| 4.1.2 多分辨率小波分析 | 第50-51页 |
| 4.2 当前组合预测模型 | 第51-52页 |
| 4.3 基于小波贝叶斯神经网络的负荷预测流程 | 第52-53页 |
| 4.4 小波贝叶斯神经网络模型的建立及算例 | 第53-55页 |
| 4.4.1 对历史负荷小波分解 | 第53页 |
| 4.4.2 各分量的预测模型 | 第53-55页 |
| 4.5 组合预测模型仿真结果 | 第55-58页 |
| 4.6 对比分析预测结果 | 第58页 |
| 4.7 本章小结 | 第58-60页 |
| 结论与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间发表的论文 | 第66-68页 |
| 致谢 | 第68-69页 |
| 附录 | 第69-89页 |