| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 选题的背景及意义 | 第10-11页 |
| 1.2 电力负荷预测研究现状 | 第11-15页 |
| 1.2.1 经典预测方法 | 第11-12页 |
| 1.2.2 传统预测方法 | 第12-13页 |
| 1.2.3 现代预测方法 | 第13-15页 |
| 1.3 电力负荷预测存在的问题 | 第15页 |
| 1.4 论文的研究思路及内容安排 | 第15-17页 |
| 1.4.1 论文的研究思路 | 第15页 |
| 1.4.2 论文的内容安排 | 第15-17页 |
| 第2章 神经网络基本原理 | 第17-24页 |
| 2.1 概述 | 第17-18页 |
| 2.2 BP神经网络 | 第18-21页 |
| 2.2.1 BP神经网络的结构 | 第18页 |
| 2.2.2 BP神经网络的算法原理 | 第18-20页 |
| 2.2.3 BP算法的流程 | 第20页 |
| 2.2.4 BP神经网络的主要缺点及改进 | 第20-21页 |
| 2.3 Elman神经网络 | 第21-23页 |
| 2.3.1 Elman神经网络的结构 | 第21-22页 |
| 2.3.2 Elman神经网络的算法原理 | 第22-23页 |
| 2.3.3 Elman算法流程 | 第23页 |
| 2.4 网络隐层节点的确定 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于LCD-样本熵的样本数据预处理 | 第24-48页 |
| 3.1 概述 | 第24页 |
| 3.2 局部特征尺度分解的基本原理 | 第24-31页 |
| 3.2.1 ITD分解基本原理 | 第25页 |
| 3.2.2 LCD分解原理 | 第25-31页 |
| 3.3 熵理论 | 第31-39页 |
| 3.3.1 近似熵 | 第31-35页 |
| 3.3.2 样本熵 | 第35-39页 |
| 3.4 基于LCD-样本熵的负荷数据预处理 | 第39-47页 |
| 3.4.1 样本数据的归一化处理 | 第39-44页 |
| 3.4.2 负荷序列的LCD分解 | 第44-45页 |
| 3.4.3 负荷序列的样本熵分析 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于LCD-样本熵和Elman神经网络的短期负荷预测模型 | 第48-54页 |
| 4.1 概述 | 第48页 |
| 4.2 电力系统短期负荷特性分析 | 第48-51页 |
| 4.2.1 短期负荷的变化特点 | 第48-49页 |
| 4.2.2 电力负荷的构成 | 第49-50页 |
| 4.2.3 负荷预测误差分析指标 | 第50-51页 |
| 4.3 基于LCD-样本熵 -Elman神经网络的预测模型 | 第51-52页 |
| 4.3.1 LCD-样本熵 -Elman模型的预测流程 | 第51页 |
| 4.3.2 LCD-样本熵 -Elman模型的算法步骤 | 第51-52页 |
| 4.4 预测模型输入因子的选择 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 实例仿真分析 | 第54-62页 |
| 5.1 BP算例 | 第54-57页 |
| 5.1.1 BP预测模型 | 第54-55页 |
| 5.1.2 LCD-样本熵 -BP预测模型 | 第55-57页 |
| 5.2 Elman算例 | 第57-59页 |
| 5.2.1 Elman预测模型 | 第57-58页 |
| 5.2.2 LCD-样本熵 -Elman预测模型 | 第58-59页 |
| 5.3 模型预测误差分析 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 致谢 | 第67-68页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第68-69页 |
| 附录B 仿真结果图 | 第69-72页 |
