| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 课题研究的背景、意义以及国内外研究现状 | 第10-14页 |
| 1.1.1 传统预测算法 | 第11-13页 |
| 1.1.2 现代负荷预测方法 | 第13-14页 |
| 1.2 电力系统大数据简约及降维研究分析 | 第14-16页 |
| 1.3 人工神经网络算法研究分析 | 第16-20页 |
| 1.3.1 人工神经网络特性分析 | 第16-18页 |
| 1.3.2 人工神经网络的学习及训练 | 第18-20页 |
| 1.4 课题的主要研究内容 | 第20-22页 |
| 第2章 短期电力负荷预测研究分析 | 第22-30页 |
| 2.1 电力负荷预测 | 第22-26页 |
| 2.1.1 负荷预测分类 | 第22-24页 |
| 2.1.2 负荷预测特性 | 第24-25页 |
| 2.1.3 气象因素对电力负荷预测的影响分析 | 第25-26页 |
| 2.2 短期负荷预测步骤及误差分析 | 第26-29页 |
| 2.2.1 预测基本步骤 | 第26-28页 |
| 2.2.2 负荷预测误差分析 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于LASSO及主元分析的大数据分析方法研究 | 第30-38页 |
| 3.1 基于LASSO大数据样本集简约降维分析 | 第30-32页 |
| 3.2 主元分析理论 | 第32-33页 |
| 3.3 主元分析原理及仿真 | 第33-37页 |
| 3.3.1 主元分析原理及步骤 | 第33-34页 |
| 3.3.2 主元分析仿真 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 BP神经网络模型及基于LM的改进措施 | 第38-56页 |
| 4.1 BP神经网络方法研究分析 | 第38-46页 |
| 4.1.1 人工神经元模型及原理 | 第38-41页 |
| 4.1.2 BP网络结构原理 | 第41-42页 |
| 4.1.3 神经网络学习训练 | 第42-45页 |
| 4.1.4 BP神经网络算例仿真 | 第45-46页 |
| 4.2 BP神经网络存在的问题 | 第46-47页 |
| 4.3 基于LM算法改进的BP神经网络 | 第47-54页 |
| 4.3.1 LM算法原理 | 第48-50页 |
| 4.3.2 LM-BP改进神经网络 | 第50-52页 |
| 4.3.3 LM-BP改进神经网络算例仿真 | 第52-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第5章 基于大数据分析及改进神经网络的电力负荷预测 | 第56-71页 |
| 5.1 未考虑气象因素的神经网络短期负荷预测 | 第56-62页 |
| 5.1.1 BP神经网络短期负荷预测模型及步骤 | 第56-58页 |
| 5.1.2 BP神经网络短期负荷预测算例 | 第58-60页 |
| 5.1.3 基于LM-BP改进神经网络的短期负荷预测 | 第60-62页 |
| 5.2 多天气参数大数据分析的电力负荷预测 | 第62-69页 |
| 5.2.1 多参数大数据分析的神经网络预测模型及步骤 | 第63-64页 |
| 5.2.2 LASSO简约及主元分析处理高维气象因素大数据 | 第64-67页 |
| 5.2.3 基于多参数气象因素大数据分析的负荷预测算例实验 | 第67-69页 |
| 5.3 预测误差对比分析 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 结论 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第76-77页 |
| 致谢 | 第77页 |
