| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第14-18页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.2.1 电力负荷数据处理的研究现状 | 第15-16页 |
| 1.2.2 电力负荷预测的研究现状 | 第16-17页 |
| 1.3 本文的研究内容 | 第17-18页 |
| 第2章 电力负荷预测的基本理论 | 第18-25页 |
| 2.1 引言 | 第18页 |
| 2.2 电力负荷的分类及特性 | 第18-22页 |
| 2.2.1 电力负荷的分类 | 第18-19页 |
| 2.2.2 电力负荷的特点 | 第19-22页 |
| 2.3 影响电力负荷的因素 | 第22-23页 |
| 2.4 电力负荷预测的性能指标 | 第23页 |
| 2.5 本章小结 | 第23-25页 |
| 第3章 负荷原始数据处理方法的研究 | 第25-33页 |
| 3.1 引言 | 第25页 |
| 3.2 负荷原始数据处理方法的对比与分析 | 第25-30页 |
| 3.2.1 小波分解的原理及与频谱分析 | 第25-27页 |
| 3.2.2 经验模态分解的原理及频谱分析 | 第27-29页 |
| 3.2.3 集合经验模态分解 | 第29-30页 |
| 3.3 最大相关-最小冗余特征选择 | 第30-32页 |
| 3.3.1 最大相关性 | 第31页 |
| 3.3.2 最小冗余性 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 电力负荷预测方法的研究 | 第33-41页 |
| 4.1 引言 | 第33页 |
| 4.2 支持向量机(SVM) | 第33-34页 |
| 4.3 一维卷积神经网络(1DCNN) | 第34-36页 |
| 4.4 循环神经网络(RNN) | 第36-37页 |
| 4.5 长短期记忆网络(LSTM) | 第37-39页 |
| 4.6 本章小结 | 第39-41页 |
| 第5章 基于一维卷积神经网络和长短期记忆网络的电力负荷预测组合模型 | 第41-48页 |
| 5.1 引言 | 第41页 |
| 5.2 CCLSTM组合模型 | 第41-47页 |
| 5.2.1 编码-解码(Encoder-Decoder) | 第42页 |
| 5.2.2 注意力机制(Attention) | 第42-44页 |
| 5.2.3 基于一维卷积网络和长短期记忆网络的组合模型CCLSTM | 第44-47页 |
| 5.3 本章小结 | 第47-48页 |
| 第6章 算例分析 | 第48-65页 |
| 6.1 引言 | 第48页 |
| 6.2 实验平台 | 第48页 |
| 6.3 原始数据的展示与处理 | 第48-53页 |
| 6.3.1 数据集的选取 | 第48页 |
| 6.3.2 时序信息归一化处理 | 第48-49页 |
| 6.3.3 天气信息归一化处理 | 第49页 |
| 6.3.4 数据的拆分 | 第49-50页 |
| 6.3.5 数据的EEMD分解 | 第50-51页 |
| 6.3.6 最佳特征的提取 | 第51-53页 |
| 6.4 负荷预测 | 第53-57页 |
| 6.4.1 多层感知机(MLP) | 第53-54页 |
| 6.4.2 一维卷积神经网络(1DCNN) | 第54-55页 |
| 6.4.3 循环神经网络(RNN) | 第55-56页 |
| 6.4.4 一维卷积神经网络和长短期记忆网络的组合模型(CCLSTM) | 第56-57页 |
| 6.5 实验结果 | 第57-64页 |
| 6.6 本章小结 | 第64-65页 |
| 总结与展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第71页 |
