| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题的研究背景和意义 | 第12-13页 |
| 1.2 国内外短期负荷预测发展历程 | 第13页 |
| 1.3 国内外短期负荷预测研究现状 | 第13-17页 |
| 1.3.1 经典预测方法 | 第13-15页 |
| 1.3.2 现代预测方法 | 第15-17页 |
| 1.4 论文主要工作和章节安排 | 第17-20页 |
| 第2章 电力系统负荷预测概论 | 第20-26页 |
| 2.1 电力系统负荷预测的基本原理 | 第20页 |
| 2.2 电力负荷预测的分类 | 第20-21页 |
| 2.3 电力负荷预测的特点 | 第21-22页 |
| 2.4 电力负荷预测的影响因素及误差分析 | 第22-24页 |
| 2.4.1 电力负荷预测的影响因素 | 第22-23页 |
| 2.4.2 电力负荷预测的误差分析 | 第23页 |
| 2.4.3 电力负荷预测的误差指标 | 第23-24页 |
| 2.5 电力负荷预测的基本步骤 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 BP神经网络算法 | 第26-44页 |
| 3.1 人工神经网络概述 | 第26-30页 |
| 3.1.1 人工神经网络基本特征 | 第26-27页 |
| 3.1.2 人工神经网络基本原理 | 第27-30页 |
| 3.2 BP神经网络 | 第30-35页 |
| 3.2.1 BP神经网络结构 | 第30-31页 |
| 3.2.2 BP神经网络学习方法 | 第31-34页 |
| 3.2.3 BP神经网络学习方法流程 | 第34-35页 |
| 3.3 基于BP神经网络的负荷预测模型 | 第35-41页 |
| 3.3.1 相关数据的收集与预处理 | 第35-36页 |
| 3.3.2 数据归一化 | 第36-38页 |
| 3.3.3 BP神经网络模型的构建及仿真 | 第38-41页 |
| 3.4 BP神经网络的缺点及本文的改进方法 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 基于遗传算法的BP神经网络模型 | 第44-54页 |
| 4.1 遗传算法概述 | 第44-45页 |
| 4.2 遗传算法的基本要素 | 第45-47页 |
| 4.2.1 染色体的编码与解码 | 第45页 |
| 4.2.2 适应度函数 | 第45-46页 |
| 4.2.3 遗传算子 | 第46-47页 |
| 4.3 遗传算法的参数选取及基本流程 | 第47-49页 |
| 4.4 GA-BP神经网络预测模型 | 第49-53页 |
| 4.4.1 GA-BP神经网络模型短期负荷预测流程及步骤 | 第49-51页 |
| 4.4.2 GA-BP神经网络模型短期负荷预测结果 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 基于核主成分分析法的GA-BP神经网络模型 | 第54-74页 |
| 5.1 主成分分析法 | 第54-58页 |
| 5.2 核主成分分析法 | 第58-63页 |
| 5.2.1 核方法简介 | 第58-60页 |
| 5.2.2 核主成分分析法理论简介 | 第60页 |
| 5.2.3 核主成分分析法的算法推导 | 第60-63页 |
| 5.3 基于核主成分分析法的GA-BP神经网络预测模型 | 第63-72页 |
| 5.3.1 基于KPCA-GABP模型的预测实现步骤 | 第64页 |
| 5.3.2 数据的核主成分分析结果 | 第64-66页 |
| 5.3.3 基于KPCA-GABP模型短期负荷预测结果 | 第66-69页 |
| 5.3.4 KPCA方法与PCA方法在短期负荷预测中比较 | 第69-72页 |
| 5.4 本章小结 | 第72-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 附录 | 第80-85页 |
| 攻读学位期间发表的相关论文 | 第85-87页 |
| 致谢 | 第87页 |
