基于模糊神经网络的电力系统短期负荷预测
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题背景 | 第8页 |
| 1.2 负荷预测概述 | 第8-10页 |
| 1.2.1 负荷预测分类 | 第8-9页 |
| 1.2.2 负荷预测特点 | 第9-10页 |
| 1.3 国内外负荷预测方法综述 | 第10-12页 |
| 1.3.1 电力系统负荷预测的传统方法 | 第10-11页 |
| 1.3.2 负荷预测的新技术 | 第11-12页 |
| 1.4 本文的主要工作 | 第12-14页 |
| 第2章 模糊理论基础 | 第14-24页 |
| 2.1 模糊理论概述 | 第14页 |
| 2.2 模糊集合理论 | 第14-20页 |
| 2.2.1 模糊集合的概念 | 第14-15页 |
| 2.2.2 模糊集合的表示方法 | 第15-16页 |
| 2.2.3 模糊集合的运算 | 第16-17页 |
| 2.2.4 隶属函数及其常见类型 | 第17-20页 |
| 2.3 模糊关系 | 第20-21页 |
| 2.3.1 经典关系 | 第20页 |
| 2.3.2 模糊关系 | 第20-21页 |
| 2.3.3 模糊关系的合成 | 第21页 |
| 2.4 模糊推理 | 第21-24页 |
| 2.4.1 模糊推理的定义 | 第21-22页 |
| 2.4.2 常用的模糊推理 | 第22-24页 |
| 第3章 人工神经网络及其在负荷预测中的应用 | 第24-46页 |
| 3.1 人工神经网络概述 | 第24页 |
| 3.2 人工神经网络的基本原理 | 第24-27页 |
| 3.2.1 人工神经网络的基本组成 | 第24-26页 |
| 3.2.2 人工神经网络的结构 | 第26页 |
| 3.2.3 人工神经网络的学习方式 | 第26-27页 |
| 3.3 BP神经网络简介 | 第27-33页 |
| 3.3.1 BP网络模型及其算法 | 第27-32页 |
| 3.3.2 BP网络的算法的改进 | 第32-33页 |
| 3.4 基于BP网络短期负荷预测 | 第33-46页 |
| 3.4.1 负荷数据的预处理 | 第33-35页 |
| 3.4.2 网络模型设计 | 第35-36页 |
| 3.4.3 输入样本的选择 | 第36-38页 |
| 3.4.4 预测实例分析 | 第38-46页 |
| 第4章 自适应神经网络模糊推理系统 | 第46-56页 |
| 4.1 概述 | 第46页 |
| 4.2 Mamdani型神经网络结构 | 第46-48页 |
| 4.3 Takagi-Sugeno型神经网络结构 | 第48-50页 |
| 4.4 ANFIS的学习算法 | 第50-53页 |
| 4.4.1 误差反向传播算法 | 第50-52页 |
| 4.4.2 最小二乘法 | 第52-53页 |
| 4.4.3 混合学习算法 | 第53页 |
| 4.5 ANFIS输入空间划分 | 第53-56页 |
| 4.5.1 基于网格的输入空间划分 | 第53页 |
| 4.5.2 基于聚类的输入空间划分 | 第53-56页 |
| 第5章 ANFIS在短期负荷预测中的应用 | 第56-67页 |
| 5.1 输入输出变量的确定 | 第56页 |
| 5.2 预测模型的分析 | 第56-58页 |
| 5.3 基于减法类聚的ANFIS预测模型 | 第58-66页 |
| 5.3.1 减法类聚的算法分析 | 第58页 |
| 5.3.2 建立减法类聚预测模型 | 第58-60页 |
| 5.3.3 预测模型的模糊推理规则 | 第60-61页 |
| 5.3.4 预测模型的训练 | 第61-63页 |
| 5.3.5 基于模型的预测 | 第63-65页 |
| 5.3.6 预测结果分析 | 第65-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第6章 结论 | 第67-68页 |
| 参考文献 | 第68-70页 |
| 致谢 | 第70-71页 |
| 作者介绍 | 第71页 |
