基于多时间尺度分析的电力负荷预测研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究内容和国内外研究现状 | 第9-12页 |
| 1.2.1 研究内容和方法 | 第9-10页 |
| 1.2.2 国内外研究现状 | 第10-12页 |
| 1.3 课题研究和技术路线 | 第12-15页 |
| 第二章 电力负荷分析的理论 | 第15-30页 |
| 2.1 基于MATLAB的数据预处理方法 | 第15-18页 |
| 2.1.1 数据的归一化处理 | 第16页 |
| 2.1.2 小波包分解 | 第16-18页 |
| 2.2 多时间尺度分析 | 第18-20页 |
| 2.2.1 多时间尺度分析理论 | 第18-19页 |
| 2.2.2 复Morlet小波理论 | 第19-20页 |
| 2.3 基于神经网络的预测模型 | 第20-26页 |
| 2.3.1 Wavelet神经网络 | 第21-22页 |
| 2.3.2 RBF神经网络 | 第22-23页 |
| 2.3.3 Elman神经网络模型 | 第23-24页 |
| 2.3.4 NAR神经网络 | 第24-26页 |
| 2.4 基于遗传算法的组合模型 | 第26-27页 |
| 2.5 模型评价指标 | 第27-28页 |
| 2.6 本章小结 | 第28-30页 |
| 第三章 电力负荷数据周期分析 | 第30-36页 |
| 3.1 电力负荷的多时间尺度分析 | 第30页 |
| 3.2 复Morlet小波分析 | 第30-33页 |
| 3.3 周期尺度划分 | 第33-36页 |
| 第四章 电力负荷数据预测分析 | 第36-54页 |
| 4.1 预测模型的数据预处理 | 第36-37页 |
| 4.1.1 基于小波包的数据预处理 | 第36-37页 |
| 4.1.2 基于神经网络的数据选取 | 第37页 |
| 4.2 预测结果分析 | 第37-44页 |
| 4.2.1 Elman神经网络分析结果 | 第37-40页 |
| 4.2.2 RBF神经网络分析结果 | 第40-41页 |
| 4.2.3 Wavelet神经网络分析结果 | 第41-42页 |
| 4.2.4 NAR神经网络分析结果 | 第42-44页 |
| 4.3 预测模型对比分析 | 第44-46页 |
| 4.3.1 单一神经网络模型和组合模型对比分析 | 第44-46页 |
| 4.3.2 NAR神经网络模型与组合模型对比分析 | 第46页 |
| 4.4 数值预测与验证分析 | 第46-50页 |
| 4.5 模型适用性分析 | 第50-52页 |
| 4.6 本章小结 | 第52-54页 |
| 第五章 结论和展望 | 第54-56页 |
| 5.1 结论和创新点 | 第54-55页 |
| 5.2 研究展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |
