| 摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 负荷预测综述 | 第8-9页 |
| 1.1.1 负荷预测的原理和要求 | 第8页 |
| 1.1.2 负荷预测的分类 | 第8-9页 |
| 1.2 负荷预测的背景及意义 | 第9页 |
| 1.3 负荷预测的方法 | 第9-11页 |
| 1.4 国内外研究现状 | 第11-13页 |
| 1.4.1 国外研究现状 | 第11-12页 |
| 1.4.2 国内研究现状 | 第12-13页 |
| 1.5 负荷预测的一般步骤 | 第13-14页 |
| 1.6 文章的主要内容 | 第14-16页 |
| 第二章 电力负荷特性分析及数据预处理 | 第16-28页 |
| 2.1 电力负荷特性分析 | 第16-20页 |
| 2.1.1 负荷的日周期性 | 第16-17页 |
| 2.1.2 负荷的周周期性 | 第17页 |
| 2.1.3 年度负荷特性 | 第17-18页 |
| 2.1.4 温度对负荷的影响 | 第18-20页 |
| 2.2 电力负荷数据的预处理 | 第20-28页 |
| 2.2.1 不良数据产生的原因 | 第21页 |
| 2.2.2 不良数据预处理的一般过程 | 第21页 |
| 2.2.3 不良数据预处理的一般方法 | 第21-22页 |
| 2.2.4 模糊c-均值聚类算法及其改进 | 第22-26页 |
| 2.2.5 数据预处理算例分析 | 第26-28页 |
| 第三章 BP神经网络模型建立及负荷预测 | 第28-46页 |
| 3.1 神经网络综述 | 第28-33页 |
| 3.1.1 神经网络的性质 | 第28-29页 |
| 3.1.2 人工神经元模型 | 第29-30页 |
| 3.1.3 常用激励函数 | 第30-31页 |
| 3.1.4 神经网络学习方法 | 第31-33页 |
| 3.2 BP神经网络 | 第33-40页 |
| 3.2.1 BP神经网络模型 | 第33-34页 |
| 3.2.2 BP学习算法的传播过程 | 第34-39页 |
| 3.2.3 BP神经网络算法的缺点 | 第39-40页 |
| 3.3 BP神经网络负荷预测模型 | 第40-41页 |
| 3.3.1 输入数据的量化与归一化处理 | 第40-41页 |
| 3.3.2 网络拓扑结构的确定 | 第41页 |
| 3.4 算例分析 | 第41-46页 |
| 第四章 猫群算法及其在短期负荷预测中的应用 | 第46-64页 |
| 4.1 猫群算法基础 | 第46-48页 |
| 4.1.1 猫群算法简介 | 第46-47页 |
| 4.1.2 猫群算法的研究现状 | 第47-48页 |
| 4.2 猫群算法的数学模型 | 第48-51页 |
| 4.2.1 搜寻模式 | 第48-49页 |
| 4.2.2 追踪模式 | 第49-50页 |
| 4.2.3 猫群算法过程 | 第50-51页 |
| 4.3 算法测试与比较 | 第51-53页 |
| 4.3.1 测试函数 | 第51-52页 |
| 4.3.2 测试结果对比 | 第52-53页 |
| 4.4 基于CSO-BP神经网络的短期电力负荷预测 | 第53-64页 |
| 4.4.1 CSO-BP神经网络短期负荷预测模型 | 第53-54页 |
| 4.4.2 算例分析 | 第54-64页 |
| 第五章 结论与展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间发表的论文 | 第72页 |