| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 电力负荷概述 | 第9页 |
| 1.2 负荷预测的意义和研究背景 | 第9-10页 |
| 1.3 短期负荷预测的研究现状 | 第10-15页 |
| 1.3.1 经典预测方法 | 第11-12页 |
| 1.3.2 传统预测方法 | 第12-13页 |
| 1.3.3 现代智能预测方法 | 第13-15页 |
| 1.4 本文的主要研究内容 | 第15-17页 |
| 第2章 混沌的基础理论 | 第17-26页 |
| 2.0 混沌的起源 | 第17页 |
| 2.1 混沌的定义 | 第17-18页 |
| 2.2 混沌系统的特性 | 第18-19页 |
| 2.3 混沌的特征量 | 第19-20页 |
| 2.4 混沌时间序列及其判断方法 | 第20-24页 |
| 2.4.1 功率谱方法 | 第21页 |
| 2.4.2 Poincare截面法 | 第21-22页 |
| 2.4.3 Lyapunov指数 | 第22-23页 |
| 2.4.4 主分量分析法 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 相空间重构理论 | 第26-41页 |
| 3.1 相空间重构概述 | 第26-27页 |
| 3.2 延迟时间的求取 | 第27-28页 |
| 3.2.1 交互信息法 | 第27页 |
| 3.2.2 平均位移法 | 第27-28页 |
| 3.2.3 自相关法 | 第28页 |
| 3.3 嵌入维数的求取 | 第28-30页 |
| 3.3.1 伪邻近点法 | 第29页 |
| 3.3.2 Cao式方法 | 第29-30页 |
| 3.4 混沌时间序列的预测方法 | 第30-37页 |
| 3.4.1 全域法 | 第30-31页 |
| 3.4.2 局域法 | 第31-36页 |
| 3.4.3 基于Lyapunov指数的预测法 | 第36-37页 |
| 3.5 实例分析 | 第37-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于相空间重构和RBF神经网络的短期预测 | 第41-52页 |
| 4.1 神经网络概述 | 第41页 |
| 4.2 RBF神经网络的基本原理 | 第41-45页 |
| 4.2.1 RBF神经网络的网络结构 | 第42-43页 |
| 4.2.2 RBF神经网络隐层设计 | 第43-44页 |
| 4.2.3 RBF神经网络学习 | 第44-45页 |
| 4.3 RBF神经网络的算法介绍 | 第45-46页 |
| 4.3.1 RBF神经网络激励函数的中心点选取算法 | 第45页 |
| 4.3.2 RBF神经网络的学习算法 | 第45-46页 |
| 4.4 RBF神经网络预测模型的构建 | 第46-47页 |
| 4.5 预测流程图 | 第47-48页 |
| 4.6 实例分析 | 第48-51页 |
| 4.7 本章小结 | 第51-52页 |
| 第5章 基于相空间重构和Chebyshev神经网络的短期预测 | 第52-64页 |
| 5.1 正交多项式 | 第52页 |
| 5.2 Chebyshev正交多项式 | 第52-55页 |
| 5.2.1 第一类Chebyshev正交多项式 | 第53-54页 |
| 5.2.2 第二类Chebyshev正交多项式 | 第54-55页 |
| 5.2.3 Chebyshev正交多项式的性质 | 第55页 |
| 5.3 Chebyshev正交基神经网络模型的构建 | 第55-60页 |
| 5.3.1 单输入Chebyshev正交基神经网络预测模型 | 第55-57页 |
| 5.3.2 多输入Chebyshev正交基神经网络动态预测模型 | 第57-60页 |
| 5.4 预测流程图 | 第60页 |
| 5.5 实例分析 | 第60-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第6章 结论与展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读学位期间的研究成果 | 第70页 |
