基于神经网络的短期电力负荷组合预测方法研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 电力负荷预测概述 | 第9页 |
| 1.2 短期电力负荷预测意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.4 本文的研究思路和结构安排 | 第13-15页 |
| 第二章 数据预处理分析 | 第15-19页 |
| 2.1 数据预处理的必要性 | 第15-16页 |
| 2.2 异常数据类型 | 第16页 |
| 2.3 SA算法基本原理及数据处理步骤 | 第16-17页 |
| 2.4 EMD算法基本原理及数据处理步骤 | 第17-18页 |
| 2.5 数据的归一化处理 | 第18-19页 |
| 第三章 组合预测模型构建 | 第19-35页 |
| 3.1 广义回归神经网络 | 第19-22页 |
| 3.1.1 广义回归神经网络的网络结构 | 第19-20页 |
| 3.1.2 GRNN理论基础 | 第20-22页 |
| 3.2 Elman神经网络 | 第22-24页 |
| 3.2.1 Elman神经网络结构 | 第22-23页 |
| 3.2.2 Elman神经网络学习过程 | 第23-24页 |
| 3.3 基于PSO参数优化的lssvm神经网络 | 第24-31页 |
| 3.3.1 支持向量机 | 第24-27页 |
| 3.3.2 最小二乘支持向量机基本原理 | 第27-29页 |
| 3.3.3 粒子群算法简介 | 第29-30页 |
| 3.3.4 基于pso的lssvm参数优化 | 第30-31页 |
| 3.4 模拟退火算法 | 第31-33页 |
| 3.4.1 组合预测模型 | 第31-32页 |
| 3.4.2 模拟退火算法基本原理 | 第32页 |
| 3.4.3 模拟退火算法模型建立 | 第32-33页 |
| 3.5 组合预测模型构建 | 第33-35页 |
| 第四章 实验过程及结果分析 | 第35-48页 |
| 4.1 预测精度评判标准 | 第35页 |
| 4.2 学习样本选择 | 第35-37页 |
| 4.3 数据预处理 | 第37-41页 |
| 4.3.1 EMD分解 | 第37-39页 |
| 4.3.2 季节指数消除 | 第39-41页 |
| 4.4 组合预测过程 | 第41-43页 |
| 4.5 仿真结果分析 | 第43-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 全文总结 | 第48页 |
| 5.2 未来工作展望 | 第48-50页 |
| 参考文献 | 第50-52页 |
| 在学期间的研究成果 | 第52-53页 |
| 致谢 | 第53页 |
