| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第11-19页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 时间序列预测模型概述 | 第12-14页 |
| 1.2.1 时间序列预测 | 第12页 |
| 1.2.2 时序预测方法及研究现状 | 第12-14页 |
| 1.3 短期电力负荷预测概述 | 第14-17页 |
| 1.3.1 电力负荷预测 | 第14-15页 |
| 1.3.2 短期电力负荷预测概述 | 第15-16页 |
| 1.3.3 短期电力负荷预测研究现状 | 第16-17页 |
| 1.4 本文的工作安排 | 第17-19页 |
| 2 完全的集合经验模态分解(CEEMD) | 第19-34页 |
| 2.1 经验模态分解(EMD) | 第19-22页 |
| 2.1.1 希尔伯特黄变换 | 第19-20页 |
| 2.1.2 经验模态分解原理及应用 | 第20-21页 |
| 2.1.3 模态混叠效应及改进 | 第21-22页 |
| 2.2 集合经验模态分解(EEMD) | 第22-23页 |
| 2.2.1 集合经验模态分解原理概述 | 第22-23页 |
| 2.2.2 存在的问题 | 第23页 |
| 2.3 完全的集合经验模态分解(CEEMD) | 第23-24页 |
| 2.4 完全的集合经验模态分解(CEEMD)负荷序列应用分析 | 第24-30页 |
| 2.4.1 短期电力负荷序列的数据特性分析 | 第24-26页 |
| 2.4.2 电力负荷数据样本选取 | 第26页 |
| 2.4.3 EMD、EEMD与CEEMD在负荷序列分析中的应用 | 第26-30页 |
| 2.5 基于样本熵的CEEMD分量合并 | 第30-33页 |
| 2.5.1 熵的基本理论 | 第30-31页 |
| 2.5.2 近似熵 | 第31-32页 |
| 2.5.3 样本熵 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 3 神经网络、极限学习机(ELM)、核极限学习机(KELM)概述 | 第34-44页 |
| 3.1 人工神经网络理论 | 第34-38页 |
| 3.1.1 单隐层前馈神经网络和BP神经网络 | 第35-38页 |
| 3.1.2 Elman神经网络 | 第38页 |
| 3.2 极限学习机算法 | 第38-39页 |
| 3.3 核极限学习机算法 | 第39-42页 |
| 3.3.1 高斯核极限学习机(KELM) | 第40-42页 |
| 3.3.2 小波核函数极限学习机(WKELM) | 第42页 |
| 3.4 本章小结 | 第42-44页 |
| 4 基于CEEMD-SE-神经网络的预测建模 | 第44-64页 |
| 4.1 数据样本的准备及预处理 | 第44-46页 |
| 4.1.1 样本数据CEEMD分解及重组 | 第44-46页 |
| 4.1.2 归一化数据 | 第46页 |
| 4.2 合并后分量的神经网络预测 | 第46-49页 |
| 4.2.1 神经网络建模方法 | 第46-47页 |
| 4.2.2 预测误差评价标准 | 第47-49页 |
| 4.3 CEEMD-SE-神经网络的日负荷预测 | 第49-55页 |
| 4.4 CEEMD-SE-ELM的周负荷曲线预测 | 第55-63页 |
| 4.5 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-68页 |
| 作者简历 | 第68-70页 |
| 学位论文数据集 | 第70-71页 |
