电力系统短期负荷预测方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 概述 | 第8页 |
| 1.2 电力系统负荷预测 | 第8-10页 |
| 1.2.1 电力系统负荷预测的基本分类 | 第9页 |
| 1.2.2 短期负荷预测 | 第9-10页 |
| 1.3 短期负荷预测方法的研究现状 | 第10-14页 |
| 1.4 本文主要研究内容 | 第14-15页 |
| 第二章 人工神经网络 | 第15-23页 |
| 2.1 人工神经网络的研究现状 | 第15-16页 |
| 2.2 生物神经元 | 第16-17页 |
| 2.3 人工神经元 | 第17-19页 |
| 2.4 人工神经网络模型 | 第19-21页 |
| 2.5 神经网络的训练方式 | 第21-23页 |
| 第三章 基于GA-BP算法的神经网络 | 第23-39页 |
| 3.1 BP学习算法 | 第23-28页 |
| 3.1.1 BP神经网络模型 | 第23-24页 |
| 3.1.2 BP神经网络的学习过程 | 第24-25页 |
| 3.1.3 BP神经网络学习的传播公式 | 第25-27页 |
| 3.1.4 BP算法流程图 | 第27-28页 |
| 3.1.5 BP算法的缺点 | 第28页 |
| 3.2 遗传算法简介 | 第28-35页 |
| 3.2.1 遗传算法描述 | 第28页 |
| 3.2.2 遗传算法的特点 | 第28-29页 |
| 3.2.3 遗传算法实现的技术问题 | 第29-34页 |
| 3.2.4 遗传算法的流程 | 第34-35页 |
| 3.3 基于遗传算法的神经网络训练方法 | 第35-39页 |
| 3.3.1 GA-BP方法的可行性分析 | 第35-36页 |
| 3.3.2 GA-BP算法连接权值的优化 | 第36-37页 |
| 3.3.3 GA-BP算法的流程图 | 第37-39页 |
| 第四章 电力系统负荷预测模型构建及实例分析 | 第39-58页 |
| 4.1 负荷预测模型的构建 | 第39-45页 |
| 4.1.1 BP模型 | 第39-40页 |
| 4.1.2 数据预处理 | 第40-42页 |
| 4.1.3 训练样本 | 第42-43页 |
| 4.1.4 编码方案 | 第43页 |
| 4.1.5 适应度函数 | 第43-44页 |
| 4.1.6 遗传操作 | 第44-45页 |
| 4.2 例分析 | 第45-58页 |
| 4.2.1 基于BP算法的学习和预测 | 第45-48页 |
| 4.2.2 基于GA-BP算法的学习和预测 | 第48-51页 |
| 4.2.3 基于GA-BP算法的小时递归预测模型 | 第51-58页 |
| 第五章 结论与展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 论文发表与科研参与情况 | 第62-63页 |
| 致谢 | 第63-64页 |
