| 第1章 绪论 | 第1-19页 |
| 1．1 短期负荷预测的意义及任务 | 第8-11页 |
| 1．1．1 负荷预测的意义 | 第8-10页 |
| 1．1．2 短期负荷预测的任务 | 第10-11页 |
| 1．2 短期负荷预测的研究现状 | 第11-15页 |
| 1．3 目前电力系统短期负荷预测技术存在的问题 | 第15-16页 |
| 1．4 论文的主要内容与结构 | 第16-19页 |
| 1．4．1 研究课题的确定 | 第16-17页 |
| 1．4．2 论文的主要工作 | 第17-19页 |
| 第2章 基于粒子群优化的BP神经网络 | 第19-36页 |
| 2．1 BP神经网络的基本原理 | 第19-24页 |
| 2．1．1 人工神经网络简述 | 第19-20页 |
| 2．1．2 BP人工神经网络与BP学习算法 | 第20-24页 |
| 2．2 人工神经网络在负荷预测中的应用 | 第24-25页 |
| 2．3 BP神经网络的主要不足及改进 | 第25-32页 |
| 2．3．1 加快收敛速度的改进算法 | 第26-31页 |
| 2．3．2 优化初始权值选取 | 第31-32页 |
| 2．4 粒子群算法的基本原理 | 第32-33页 |
| 2．5 粒子群优化的BP神经网络 | 第33-34页 |
| 2．6 本章小结 | 第34-36页 |
| 第3章 电力负荷数据中的坏数据辨识与调整 | 第36-48页 |
| 3．1 负荷坏数据辨识与调整的基本思路 | 第37-38页 |
| 3．2 负荷曲线的聚类 | 第38-42页 |
| 3．2．1 自组织特征映射与Kohonen算法 | 第39-42页 |
| 3．2．2 采用Kohonen网实现负荷曲线聚类 | 第42页 |
| 3．3 PSO-BP神经网络对负荷坏数据的模式识别 | 第42-44页 |
| 3．4 坏数据辨识的组合神经网络模型 | 第44-45页 |
| 3．5 基于特征曲线的坏数据的调整 | 第45页 |
| 3．6 实例分析 | 第45-46页 |
| 3．7 本章小结 | 第46-48页 |
| 第4章 基于粒子群BP神经网络的短期负荷预测 | 第48-61页 |
| 4．1 网络输入样本的研究 | 第48-51页 |
| 4．1．1 影响负荷因素的分析 | 第48-49页 |
| 4．1．2 学习样本的选取 | 第49-50页 |
| 4．1．3 输入样本预处理 | 第50-51页 |
| 4．2 基于粒子群神经网络的短期负荷预测模型的建立 | 第51-55页 |
| 4．2．1 负荷模型 | 第51页 |
| 4．2．2 BP网络结构的确定 | 第51-54页 |
| 4．2．3 程序实现 | 第54-55页 |
| 4．3 算例分析 | 第55-60页 |
| 4．3．1 基于改进反向传播算法(Levenberg-Marquardt)短期负荷预测 | 第56-58页 |
| 4．3．2 基于粒子群BP神经网络的短期负荷预测 | 第58-60页 |
| 4．4 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5．1 本文总结 | 第61-62页 |
| 5．2 未来工作展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68页 |
