基于BP神经网络的短期电力负荷预测的研究
摘要 | 第4-5页 |
Abstract | 第5页 |
第1章 绪论 | 第8-15页 |
1.1 课题的研究背景及意义 | 第8-9页 |
1.2 国内外研究现状 | 第9-13页 |
1.2.1 电力负荷预测方法研究 | 第9-11页 |
1.2.2 气象因素在负荷预测中的应用 | 第11-12页 |
1.2.3 国内外研究现状分析 | 第12-13页 |
1.3 课题的主要研究内容 | 第13-15页 |
第2章 电力负荷预测分析 | 第15-23页 |
2.1 引言 | 第15页 |
2.2 深圳市负荷特性分析 | 第15-18页 |
2.2.1 负荷的年周期性 | 第15-16页 |
2.2.2 负荷的周周期性 | 第16-17页 |
2.2.3 负荷的日周期性 | 第17页 |
2.2.4 负荷的节假日特性 | 第17-18页 |
2.3 电力负荷预测分类 | 第18-19页 |
2.4 电力负荷的影响因素 | 第19-20页 |
2.5 负荷预测的基本步骤和误差分析 | 第20-22页 |
2.5.1 负荷预测的基本步骤 | 第20-21页 |
2.5.2 误差分析 | 第21-22页 |
2.6 本章小结 | 第22-23页 |
第3章BP神经网络模型建立及预测 | 第23-37页 |
3.1 引言 | 第23页 |
3.2 BP神经网络模型 | 第23-28页 |
3.2.1 BP神经网络结构 | 第23-25页 |
3.2.2 BP神经网络的学习算法 | 第25-28页 |
3.3 BP神经网络法短期电力负荷预测 | 第28-34页 |
3.3.1 历史数据的选取及预处理 | 第28-30页 |
3.3.2 样本数据的归一化及量化处理 | 第30-32页 |
3.3.3 网络的拓扑结构 | 第32-34页 |
3.4 以深圳市负荷为例进行预测分析 | 第34-36页 |
3.5 本章小结 | 第36-37页 |
第4章 改进BP神经网络的短期负荷预测 | 第37-50页 |
4.1 引言 | 第37页 |
4.2 标准BP算法的优缺点及改进 | 第37-41页 |
4.2.1 标准BP算法的优缺点 | 第37-38页 |
4.2.2 BP算法的改进 | 第38-41页 |
4.3 以深圳负荷为例进行预测分析 | 第41-49页 |
4.3.1 改进BP算法的工作日负荷预测 | 第41-47页 |
4.3.2 改进算法的预测效果比较 | 第47-48页 |
4.3.3 对休息日负荷进行预测 | 第48-49页 |
4.4 本章小结 | 第49-50页 |
第5章 气象因素对负荷预测的影响分析 | 第50-59页 |
5.1 引言 | 第50页 |
5.2 不考虑日特征气象因素的预测分析 | 第50-54页 |
5.2.1 对工作日的训练结果与误差分析 | 第50-52页 |
5.2.2 对休息日的训练结果和误差分析 | 第52-54页 |
5.3 基于实时气象因素的短期负荷预测 | 第54-58页 |
5.3.1 对7月份负荷进行预测 | 第54-55页 |
5.3.2 考虑实时气象因素的短期负荷预测 | 第55-58页 |
5.4 本章小结 | 第58-59页 |
结论 | 第59-60页 |
参考文献 | 第60-64页 |
致谢 | 第64页 |