摘要 | 第4-6页 |
Abstract | 第6-7页 |
1 绪论 | 第10-16页 |
1.1 课题的背景及研究意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-14页 |
1.2.1 电力负荷预测方法研究 | 第11-13页 |
1.2.2 国内外研究现状分析 | 第13-14页 |
1.3 本文的主要工作 | 第14-16页 |
2 电力负荷预测分析 | 第16-24页 |
2.1 引言 | 第16页 |
2.2 负荷特性分析 | 第16-18页 |
2.2.1 负荷概念与分类 | 第16-17页 |
2.2.2 预测地区电网现状 | 第17页 |
2.2.3 预测地区负荷变化规律 | 第17-18页 |
2.3 负荷预测的概念与分类 | 第18-20页 |
2.3.1 负荷预测的概念 | 第18-19页 |
2.3.2 负荷预测的分类 | 第19-20页 |
2.4 负荷预测的影响因素 | 第20页 |
2.5 负荷数据预处理 | 第20-23页 |
2.5.1 异常数据分类 | 第21页 |
2.5.2 异常数据的检测与修正 | 第21-22页 |
2.5.3 缺失数据的修补 | 第22-23页 |
2.6 本章小结 | 第23-24页 |
3 人工神经网络在短期负荷预测中的应用 | 第24-41页 |
3.1 引言 | 第24页 |
3.2 BP神经网络 | 第24-29页 |
3.2.1 BP神经网络的结构 | 第24-26页 |
3.2.2 BP神经网络原理及算法 | 第26-27页 |
3.2.3 BP神经网络的设计 | 第27-29页 |
3.3 Elman神经网络 | 第29-33页 |
3.3.1 Elman神经网络结构 | 第29-30页 |
3.3.2 Elman神经网络的学习算法 | 第30-32页 |
3.3.3 Elman神经网络预测流程 | 第32-33页 |
3.4 短期负荷预测模型建立 | 第33-36页 |
3.4.1 历史数据的选取 | 第33页 |
3.4.2 样本数据的归一化及量化处理 | 第33-35页 |
3.4.3 输入变量的选取 | 第35-36页 |
3.5 实例分析 | 第36-40页 |
3.6 本章小结 | 第40-41页 |
4 基于模糊神经网络的电力系统短期负荷预测 | 第41-49页 |
4.1 引言 | 第41页 |
4.2 模糊理论概述 | 第41-42页 |
4.3 T-S模糊系统概述 | 第42-43页 |
4.4 基于模糊神经网络的电力负荷预测模型的建立 | 第43-46页 |
4.4.1 模糊神经网络模型结构 | 第43-44页 |
4.4.2 模糊神经网络学习过程 | 第44-45页 |
4.4.3 输入输出向量的选择及隐含层的确定 | 第45-46页 |
4.5 实例分析 | 第46-48页 |
4.6 本章小结 | 第48-49页 |
5 基于T-S模糊Elman神经网络的电力系统短期负荷预测 | 第49-57页 |
5.1 引言 | 第49页 |
5.2 T-S模糊Elman网络的结构 | 第49-51页 |
5.3 T-S模糊Elman网络的学习算法 | 第51-53页 |
5.4 基于T-S模糊Elman网络的短期负荷预测模型建立与实例分析 | 第53-56页 |
5.4.1 输入输出向量的选择及隶属函数个数的确定 | 第53-54页 |
5.4.2 实例分析 | 第54-56页 |
5.5 本章小结 | 第56-57页 |
6 短期负荷预测软件系统的设计 | 第57-64页 |
6.1 引言 | 第57页 |
6.2 软件设计原则及开发环境 | 第57-58页 |
6.2.1 软件设计原则 | 第57页 |
6.2.2 系统的开发与运行环境 | 第57-58页 |
6.3 短期负荷预测系统数据库的设计 | 第58-59页 |
6.3.1 数据库结构分析 | 第58页 |
6.3.2 数据表设计 | 第58-59页 |
6.4 短期负荷预测软件系统的设计 | 第59-63页 |
6.4.1 短期负荷预测软件系统结构设计 | 第59-60页 |
6.4.2 C | 第60-61页 |
6.4.3 软件系统的功能界面设计 | 第61-63页 |
6.5 本章小结 | 第63-64页 |
7 结论与展望 | 第64-66页 |
7.1 本文工作与总结 | 第64页 |
7.2 展望 | 第64-66页 |
参考文献 | 第66-69页 |
致谢 | 第69-70页 |
攻读硕士期间研究成果 | 第70页 |