| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| ·负荷预测的背景和研究意义 | 第8-9页 |
| ·国内外研究现状 | 第9-12页 |
| ·传统预测方法 | 第10-11页 |
| ·人工智能预测方法 | 第11-12页 |
| ·本文所做工作 | 第12-14页 |
| 第二章 电力负荷预测的特性分析 | 第14-22页 |
| ·电力负荷预测的分类 | 第14-15页 |
| ·按时间分类 | 第14页 |
| ·按行业分类 | 第14页 |
| ·按特性分类 | 第14-15页 |
| ·短期负荷特性及影响因素分析 | 第15-19页 |
| ·负荷的周期性 | 第15-16页 |
| ·负荷的影响因素分析 | 第16-19页 |
| ·电力负荷预测的基本流程 | 第19-20页 |
| ·历史数据的预处理 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 短期负荷预测模型理论基础 | 第22-35页 |
| ·仿电磁学算法 | 第22-26页 |
| ·EM算法的基本理论 | 第22-23页 |
| ·EM算法的基本流程 | 第23-26页 |
| ·EM算法的改进 | 第26页 |
| ·BP神经网络 | 第26-32页 |
| ·BP神经网络的结构 | 第28-29页 |
| ·BP神经网络的学习过程 | 第29-30页 |
| ·BP神经网络应用实例 | 第30-32页 |
| ·BP网络的局限性 | 第32页 |
| ·IEM算法优化BP神经网络 | 第32-34页 |
| ·IEM-BP算法的设计 | 第32-33页 |
| ·IEM-BP算法的实现步骤 | 第33-34页 |
| ·IEM-BP算法的流程图 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第四章 基于相似日的IEM-BP短期负荷预测模型 | 第35-43页 |
| ·相似日的选取模型 | 第35-37页 |
| ·日特征相似度 | 第35页 |
| ·日期距离相似度 | 第35-36页 |
| ·综合相似度 | 第36-37页 |
| ·基于相似日的IEM-BP短期负荷预测模型 | 第37-41页 |
| ·对BP网络输入样本进行归一化 | 第37-38页 |
| ·神经网络输入、输入样本的选取 | 第38-40页 |
| ·神经网络隐含层节点的选取 | 第40-41页 |
| ·基于相似日的IEM-BP短期负荷预测模型的建立 | 第41页 |
| ·预测误差的分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第五章 短期负荷预测算例仿真与分析 | 第43-56页 |
| ·短期负荷预测仿真结果对比分析 | 第43-51页 |
| ·单纯的BP网络短期负荷预测结果 | 第43-45页 |
| ·EM-BP模型和PSO-BP模型短期负荷预测结果 | 第45-47页 |
| ·IEM-BP模型进行短期负荷预测 | 第47-49页 |
| ·四种方法预测结果的对比和分析 | 第49-51页 |
| ·基于相似日的IEM-BP模型预测普通工作日负荷 | 第51-53页 |
| ·基于相似日的IEM-BP模型预测节假日负荷 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第六章 结论与展望 | 第56-58页 |
| ·结论 | 第56页 |
| ·展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表的学术论文 | 第63页 |