| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及研究目的和意义 | 第10-11页 |
| 1.2 国内外研究综述 | 第11-14页 |
| 1.2.1 国内外相关文献研究综述 | 第11-14页 |
| 1.2.2 预测方法简介 | 第14页 |
| 1.3 论文的主要研究内容 | 第14-16页 |
| 第2章 居民生活用电影响因素分析 | 第16-30页 |
| 2.1 北京市居民生活用电影响因素分析 | 第16-22页 |
| 2.1.1 收入因素 | 第16-17页 |
| 2.1.2 人口因素 | 第17-18页 |
| 2.1.3 电价因素 | 第18-19页 |
| 2.1.4 替代能源价格 | 第19-21页 |
| 2.1.5 温度因素 | 第21页 |
| 2.1.6 城市化因素 | 第21-22页 |
| 2.1.7 居住因素 | 第22页 |
| 2.2 北京市居民生活用电历史特征分析 | 第22-27页 |
| 2.3 相关性分析 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 居民生活用电需求预测模型 | 第30-40页 |
| 3.1 多元回归预测模型 | 第30-31页 |
| 3.1.1 一元回归预测模型 | 第30页 |
| 3.1.2 多元回归预测模型 | 第30-31页 |
| 3.2 灰色预测模型 | 第31-34页 |
| 3.2.1 灰色GM(1,1)预测模型 | 第31-33页 |
| 3.2.2 模型优点及局限性 | 第33-34页 |
| 3.3 人工神经网络预测模型 | 第34-36页 |
| 3.3.1 多层感知器神经网络(MLP)预测模型 | 第34-35页 |
| 3.3.2 径向基函数神经网络(RBF)预测模型 | 第35-36页 |
| 3.4 灰色神经网络预测模型 | 第36-38页 |
| 3.4.1 串联型(Series Grey Neural Network,SGNN) | 第36-37页 |
| 3.4.2 并联型(Parallel Grey Neural Network,PGNN) | 第37页 |
| 3.4.3 嵌入型(Inlaid Grey Neural Network,IGNN) | 第37-38页 |
| 3.4.4 混合型(Blending Frey Neural Network,BGNN) | 第38页 |
| 3.5 改进的灰色神经网络预测模型 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 北京市居民生活用电预测实证研究 | 第40-48页 |
| 4.1 基于多元回归预测模型下的北京市居民生活用电预测 | 第40-41页 |
| 4.2 基于灰色预测模型下的北京市居民生活用电预测 | 第41-42页 |
| 4.3 基于人工神经网络的预测模型下的北京市居民生活用电预测 | 第42-43页 |
| 4.3.1 数据预处理 | 第42页 |
| 4.3.2 基于MLP和RBF下的人工神经网络预测 | 第42-43页 |
| 4.4 基于改进的灰色神经网络预测模型下的北京市居民生活用电预测 | 第43页 |
| 4.5 实验结果对比分析 | 第43-45页 |
| 4.6 北京市居民生活用电预测(2017-2022年) | 第45-46页 |
| 4.6.1 未来影响因素预测 | 第45-46页 |
| 4.6.2 基于影响因素下的北京市居民生活用电预测(2017-2022年) | 第46页 |
| 4.7 本章小结 | 第46-48页 |
| 第5章 北京市居民生活用电消费政策分析 | 第48-54页 |
| 5.1 不同影响因素下的居民电力需求 | 第48-49页 |
| 5.2 居民生活用电政策建议 | 第49-53页 |
| 5.2.1 电价建议 | 第49-51页 |
| 5.2.2 加大节能政策的宣传,提高用电效率 | 第51页 |
| 5.2.3 合理的进行能源替代 | 第51-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第6章 研究成果和结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-61页 |
| 致谢 | 第61页 |
