基于组合方法的短期燃气负荷预测的研究
| 中文摘要 | 第1-8页 |
| Abstract | 第8-12页 |
| 第一章 绪论 | 第12-25页 |
| ·选题背景及来源 | 第12-13页 |
| ·国内外研究现状 | 第13-20页 |
| ·预测问题简述 | 第13页 |
| ·负荷预测的一般方法概述 | 第13-20页 |
| ·传统与智能化方法的局限性 | 第20-21页 |
| ·主要研究内容及论文结构 | 第21-25页 |
| 第二章 数据预处理 | 第25-33页 |
| ·坏数据的辨识 | 第25-26页 |
| ·坏数据的修正 | 第26-28页 |
| ·特征曲线的获取 | 第27页 |
| ·离群数据的修正 | 第27-28页 |
| ·数据修正后的效果及实例验证 | 第28-30页 |
| ·数据归一化处理 | 第30-31页 |
| ·燃气历史数据归一化 | 第30-31页 |
| ·日期类型的处理 | 第31页 |
| ·本章小结 | 第31-33页 |
| 第三章 燃气负荷数据的特征分析 | 第33-43页 |
| ·负荷的周期性 | 第33-35页 |
| ·相关分析与偏相关分析 | 第35-40页 |
| ·相关分析理论 | 第35-37页 |
| ·简单相关分析 | 第35-36页 |
| ·非参相关分析 | 第36-37页 |
| ·偏相关分析理论 | 第37-38页 |
| ·偏相关分析的计算方法 | 第37-38页 |
| ·相关分析和偏相关分析 | 第38-39页 |
| ·影响负荷的因素分析 | 第39-40页 |
| ·温度与日期的影响 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 传统研究方法 | 第43-61页 |
| ·回归预测模型 | 第46-48页 |
| ·SVM 短期负荷预测 | 第48-51页 |
| ·支持向量机的回归理论 | 第48-51页 |
| ·使用 SVR 进行燃气预测的基本步骤： | 第51页 |
| ·BP 神经网络预测法 | 第51-53页 |
| ·小波分析 | 第53-54页 |
| ·实验数据的分类与去趋势处理 | 第54-55页 |
| ·仿真实验结果 | 第55-60页 |
| ·工作日与一般休息日 | 第55-59页 |
| ·基于相似日的重大节假日预测结果分析 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第五章 小波神经网络的研究 | 第61-70页 |
| ·小波神经网络的理论基础 | 第61-63页 |
| ·利用残差序列预测过程 | 第63-65页 |
| ·算法步骤与模型实现 | 第65-67页 |
| ·小波神经网络实验结果 | 第67-68页 |
| ·误差分析 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第六章 结论与展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 攻读硕士期间已发表的论文与参与项目 | 第76页 |
