基于多级小波神经网络的超短期电力负荷预测
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 经典电力负荷预测方法 | 第13-14页 |
| 1.2.2 现代电力负荷预测方法 | 第14-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 2 超短期电力负荷预测基本特性及方法 | 第17-23页 |
| 2.1 超短期负荷预测定义 | 第17页 |
| 2.2 超短期负荷预测特点 | 第17-19页 |
| 2.3 超短期负荷预测基本理论 | 第19-20页 |
| 2.3.1 超短期负荷预测原理 | 第19页 |
| 2.3.2 超短期负荷预测常用方法 | 第19-20页 |
| 2.4 超短期负荷预测的应用 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 超短期电力负荷预测的基础数据处理 | 第23-35页 |
| 3.1 负荷预测基本数据 | 第23页 |
| 3.2 异常数据处理方法 | 第23-26页 |
| 3.3 数据预处理 | 第26-32页 |
| 3.3.1 尖峰数据类型与去噪基本原理 | 第27-28页 |
| 3.3.2 小型尖峰去躁 | 第28-30页 |
| 3.3.3 数据整合 | 第30页 |
| 3.3.4 大型尖峰去躁 | 第30-32页 |
| 3.4 多级小波分解 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 混合卡尔曼滤波多级小波神经网络 | 第35-42页 |
| 4.1 人工神经网络 | 第35-36页 |
| 4.2 多级小波神经网络 | 第36-37页 |
| 4.3 混合卡尔曼神经网络 | 第37-41页 |
| 4.3.1 扩展卡尔曼滤波训练神经网络 | 第37-39页 |
| 4.3.2 无损卡尔曼滤波训练神经网络 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 超短期电力负荷预测置信区间估计方法 | 第42-49页 |
| 5.1 置信区间 | 第42页 |
| 5.2 超短期负荷预测的置信区间估计方法 | 第42-44页 |
| 5.3 置信区间估计算例分析 | 第44-48页 |
| 5.3.1 算例一多级小波神经网络理论模型 | 第45-46页 |
| 5.3.2 算例二某地1月至6月超短期负荷预测 | 第46-47页 |
| 5.3.3 算例三某地全年度超短期负荷预测 | 第47-48页 |
| 5.4 本章小结 | 第48-49页 |
| 6 结论与展望 | 第49-50页 |
| 6.1 结论 | 第49页 |
| 6.2 展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
| 作者简介及读研期间主要科研成果 | 第54页 |
