| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题背景介绍 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 传统预测方法 | 第9页 |
| 1.2.2 聚类分析 | 第9-10页 |
| 1.2.3 人工神经网络 | 第10-12页 |
| 1.2.4 主成分分析 | 第12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 2 短期负荷分析及数据预处理 | 第14-22页 |
| 2.1 短期负荷的基本特征 | 第14-15页 |
| 2.2 样本特征变量的选取 | 第15-16页 |
| 2.3 异常数据处理 | 第16-19页 |
| 2.3.1 异常数据识别 | 第16-18页 |
| 2.3.2 异常数据修复 | 第18-19页 |
| 2.4 数据标准化 | 第19-21页 |
| 2.4.1 归一化 | 第19-20页 |
| 2.4.2 反归一化 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 基于传统神经网络的短期负荷预测 | 第22-33页 |
| 3.1 基于神经网络的短期负荷预测流程 | 第22-23页 |
| 3.2 基于BP神经网络的短期负荷预测 | 第23-28页 |
| 3.2.1 BP神经网络的基本结构及原理 | 第23-24页 |
| 3.2.2 网络的训练过程 | 第24-26页 |
| 3.2.3 预测效果 | 第26-28页 |
| 3.3 基于小波神经网络的短期负荷预测 | 第28-32页 |
| 3.3.1 小波神经网络基本结构及原理 | 第28-29页 |
| 3.3.2 网络训练过程 | 第29-30页 |
| 3.3.3 预测效果 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 基于主成分分析的短期负荷预测 | 第33-42页 |
| 4.1 基于主成分分析的短期负荷预测 | 第33-37页 |
| 4.1.1 总体结构 | 第33-35页 |
| 4.1.2 主成分分析的原理 | 第35-37页 |
| 4.1.3 获取新的特征变量 | 第37页 |
| 4.2 预测效果 | 第37-41页 |
| 4.3 本章小结 | 第41-42页 |
| 5 基于主成分自适应型小波RNN的短期负荷预测 | 第42-51页 |
| 5.1 RNN神经网络 | 第42-43页 |
| 5.1.1 RNN基本结构 | 第42-43页 |
| 5.1.2 RNN学习过程 | 第43页 |
| 5.2 基于小波RNN的短期负荷预测 | 第43-47页 |
| 5.2.1 小波RNN基本结构及原理 | 第43-45页 |
| 5.2.2 预测效果 | 第45-47页 |
| 5.3 基于主成分自适应型小波RNN的短期负荷预测 | 第47-50页 |
| 5.3.1 主成分自适应型小波RNN的具体实现 | 第47-48页 |
| 5.3.2 预测效果 | 第48-50页 |
| 5.4 本章小结 | 第50-51页 |
| 6 短期负荷预测软件设计 | 第51-57页 |
| 6.1 软件主要构成部分 | 第51-54页 |
| 6.1.1 数据库模块 | 第51-52页 |
| 6.1.2 登录界面 | 第52-53页 |
| 6.1.3 负荷预测界面 | 第53-54页 |
| 6.2 调用MATLAB函数的方法 | 第54-55页 |
| 6.3 软件实现效果显示 | 第55-56页 |
| 6.4 本章小结 | 第56-57页 |
| 7 总结与展望 | 第57-59页 |
| 7.1 总结 | 第57-58页 |
| 7.2 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士期间研究成果 | 第63页 |