负荷预测新方法的研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第1章 绪论 | 第8-17页 |
| ·课题研究目的及意义 | 第8页 |
| ·电力系统负荷特性分析 | 第8-10页 |
| ·时间特性 | 第9-10页 |
| ·空间特性 | 第10页 |
| ·外在特性 | 第10页 |
| ·负荷数据的预处理方法 | 第10-12页 |
| ·异常数据辨识和修正 | 第10-11页 |
| ·归一化处理 | 第11-12页 |
| ·负荷预测方法的研究现状 | 第12-15页 |
| ·传统预测方法 | 第12-13页 |
| ·现代预测方法 | 第13-15页 |
| ·误差分析指标 | 第15页 |
| ·课题研究的主要内容 | 第15-17页 |
| 第2章 神经网络的基本理论及算法研究 | 第17-40页 |
| ·神经网络基础 | 第17-20页 |
| ·神经网络原理 | 第17-18页 |
| ·神经网络的各级功能 | 第18-19页 |
| ·神经网络的模型 | 第19页 |
| ·神经网络的特征 | 第19-20页 |
| ·反向传播神经网络 | 第20-26页 |
| ·反向传播网络的原理结构 | 第20-22页 |
| ·反向传播神经网络的学习算法 | 第22-23页 |
| ·反向传播算法改进方法 | 第23-26页 |
| ·径向基神经网络 | 第26-30页 |
| ·径向基神经网络的原理结构 | 第26-29页 |
| ·径向基神经网络的学习算法 | 第29-30页 |
| ·支持向量机 | 第30-38页 |
| ·统计学习基本理论 | 第31-33页 |
| ·支持向量机 | 第33-37页 |
| ·支持向量机的学习算法 | 第37-38页 |
| ·本章小结 | 第38-40页 |
| 第3章 基于神经网络的电力短期负荷预测 | 第40-53页 |
| ·导论 | 第40-41页 |
| ·基于BP神经网络的短期负荷预测 | 第41-46页 |
| ·隐含层节点和层数的选择 | 第41页 |
| ·传递函数 | 第41-42页 |
| ·训练函数 | 第42页 |
| ·改进BP算法的负荷预测流程 | 第42-43页 |
| ·算例分析 | 第43-46页 |
| ·基于RBF神经网络的短期负荷预测 | 第46-48页 |
| ·径向基神经网络的负荷预测流程 | 第46页 |
| ·算例分析 | 第46-48页 |
| ·基于SVM的短期负荷预测 | 第48-51页 |
| ·相关参数的选择 | 第48页 |
| ·采用支持向量机的负荷预测流程 | 第48-49页 |
| ·算例分析 | 第49-51页 |
| ·三种神经网络的预测误差比较 | 第51页 |
| ·神经网络存在的问题 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 第4章 基于智能算法优化的神经网络的短期负荷预测 | 第53-63页 |
| ·导论 | 第53页 |
| ·粒子群优化算法 | 第53-57页 |
| ·粒子群优化算法原理 | 第54页 |
| ·粒子群算法的流程 | 第54-55页 |
| ·粒子群参数设置 | 第55-56页 |
| ·粒子群算法的特征 | 第56页 |
| ·改进的粒子群优化算法 | 第56-57页 |
| ·改进粒子群优化的径向基神经网络的实现 | 第57-58页 |
| ·基于MPSO-RBF神经网络的短期负荷预测 | 第58-62页 |
| ·MPSO-RBF神经网络预测模型的建立 | 第58-59页 |
| ·算例分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第5章 结论与展望 | 第63-65页 |
| ·本文结论 | 第63-64页 |
| ·不足和展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读学位期间的研究成果 | 第69页 |
