| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-19页 |
| ·研究背景和意义 | 第10-14页 |
| ·国内外研究现状 | 第14-15页 |
| ·现有方法及存在问题 | 第15-17页 |
| ·本文的研究工作及组织结构 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第二章 短期负荷预测技术 | 第19-25页 |
| ·负荷预测的主要研究内容 | 第19页 |
| ·负荷预测的分类 | 第19-21页 |
| ·短期负荷预测系统的主要结构 | 第21-22页 |
| ·负荷预测的基本原理 | 第22-23页 |
| ·微网负荷预测的特点分析 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第三章 径向基神经网络和局部泛化误差模型 | 第25-35页 |
| ·径向基神经网络的基本思想 | 第25-27页 |
| ·RBF 神经网络的学习过程 | 第27-29页 |
| ·局部泛化误差模型 | 第29-34页 |
| ·泛化误差 | 第30页 |
| ·Q 邻域 | 第30-32页 |
| ·敏感度 | 第32-33页 |
| ·局部泛化误差模型的推导 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第四章 多分类器系统理论 | 第35-42页 |
| ·多分类器 | 第35-37页 |
| ·多分类器系统性能分析 | 第37-39页 |
| ·构建多分类器组合的关键问题 | 第39-41页 |
| ·多分类器系统的评价标准 | 第39页 |
| ·基分类器的生成 | 第39-40页 |
| ·基分类器的选取问题 | 第40页 |
| ·基分类器的组合方法 | 第40-41页 |
| ·融合与选择的比较 | 第41页 |
| ·本章小结 | 第41-42页 |
| 第五章 基于多神经网络的短期负荷预测方法 | 第42-58页 |
| ·影响负荷预测的因素分析和选取 | 第42-43页 |
| ·负荷数据预处理 | 第43-45页 |
| ·常用的异常数据修正方法 | 第43-44页 |
| ·本文的数据预处理流程 | 第44-45页 |
| ·基于 L-GEM 的径向基神经网络训练 | 第45-52页 |
| ·数据标准化 | 第46页 |
| ·改进 K-means 方法 | 第46-49页 |
| ·矩阵并行化计算 | 第49-50页 |
| ·局部泛化误差模型用于径向基神经网络结构选择 | 第50-52页 |
| ·基于 L-GEM 的多分类器的动态融合策略 | 第52-54页 |
| ·本文提出方法的主要过程 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第六章 实验及结果分析 | 第58-66页 |
| ·本文提出方法与单分类器的对比 | 第58-60页 |
| ·基于 L-GEM 的 RBFNN 训练和普通 RBFNN 的对比 | 第60页 |
| ·本文方法与 GRNN 的对比 | 第60-61页 |
| ·本文方法与小波神经网络的对比 | 第61-62页 |
| ·本文方法与 BPNN 的对比 | 第62-65页 |
| ·本章小结 | 第65-66页 |
| 总结与展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73页 |