| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 课题来源 | 第14页 |
| 1.2 课题的研究背景与意义 | 第14-15页 |
| 1.3 电力负荷预测方法的国内外研究现状 | 第15-18页 |
| 1.3.1 国内研究现状 | 第16-17页 |
| 1.3.2 国外研究现状 | 第17-18页 |
| 1.4 论文结构及创新性 | 第18-22页 |
| 1.4.1 论文结构 | 第18-20页 |
| 1.4.2 论文的创新性 | 第20-22页 |
| 第二章 电力负荷预测的概念和方法 | 第22-28页 |
| 2.1 电力负荷的分类 | 第22-23页 |
| 2.2 电力负荷预测的影响因素分析 | 第23页 |
| 2.3 电力负荷预测的基本方法 | 第23-26页 |
| 2.3.1 传统预测法概述 | 第24-25页 |
| 2.3.2 现代预测法概述 | 第25-26页 |
| 2.4 负荷预测的基本步骤 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 ARIMA和BP神经网络的算法理论 | 第28-42页 |
| 3.1 基于ARIMA的时间序列分析算法 | 第28-34页 |
| 3.1.1 ARIMA理论概述 | 第28-29页 |
| 3.1.2 建立ARIMA模型的方法步骤 | 第29-34页 |
| 3.2 BP神经网络算法 | 第34-39页 |
| 3.2.1 BP神经网络算法概述 | 第34-36页 |
| 3.2.2 建立BP神经网络模型的方法步骤 | 第36-39页 |
| 3.3 基于ARIMA和BP神经网络的预测算法 | 第39-41页 |
| 3.3.1 基于ARIMA和BP神经网络的预测算法概述 | 第39-40页 |
| 3.3.2 基于ARIMA和BP神经网络的预测算法建模过程 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 电力负荷预测系统架构 | 第42-49页 |
| 4.1 系统特点 | 第42页 |
| 4.2 系统总体架构 | 第42-43页 |
| 4.3 数据处理流程 | 第43-48页 |
| 4.3.1 数据采集 | 第44-45页 |
| 4.3.2 数据存取 | 第45-46页 |
| 4.3.3 数据预处理 | 第46-47页 |
| 4.3.4 负荷预测算法模块 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 基于ARIMA-BP神经网络的负荷预测研究 | 第49-69页 |
| 5.1 基于ARIMA模型的负荷预测 | 第49-57页 |
| 5.1.1 负荷数据的平稳化 | 第49-52页 |
| 5.1.2 ARIMA模型的识别和检验 | 第52-55页 |
| 5.1.3 ARIMA模型相关训练参数汇总 | 第55-56页 |
| 5.1.4 基于ARIMA(2,1,1)预测模型的居民小区周负荷预测结果分析 | 第56-57页 |
| 5.2 基于BP神经网络的误差修正 | 第57-61页 |
| 5.2.1 BP神经网络训练样本集的确定 | 第57页 |
| 5.2.2 BP神经网络结构设计 | 第57-59页 |
| 5.2.3 BP神经网络拟合效果 | 第59-61页 |
| 5.3 基于ARIMA-BPNN组合模型的预测结果及对比分析 | 第61-68页 |
| 5.3.1 ARIMA-BPNN组合模型的预测结果 | 第61-62页 |
| 5.3.2 预测效果对比分析 | 第62-66页 |
| 5.3.3 模型预测性能评价 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 结论与展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间发表论文 | 第75-77页 |
| 致谢 | 第77页 |
