| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 短期负荷预测的背景和意义 | 第11-12页 |
| 1.2 短期负荷预测的研究现状 | 第12-14页 |
| 1.3 Elman神经网络的研究现状 | 第14页 |
| 1.4 负荷预测的基本过程 | 第14-15页 |
| 1.5 本文的主要工作 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 第二章 短期电力负荷特性分析 | 第17-22页 |
| 2.1 负荷特性指标的分类 | 第17-18页 |
| 2.2 负荷特性分析 | 第18-21页 |
| 2.2.1 周期性 | 第18-20页 |
| 2.2.2 连续性 | 第20页 |
| 2.2.3 温度因素 | 第20页 |
| 2.2.4 天气状况 | 第20页 |
| 2.2.5 其他因素 | 第20页 |
| 2.2.6 重大节假日 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 BP人工神经网络与Elman人工神经网络理论 | 第22-30页 |
| 3.1 人工神经网络概述 | 第22-23页 |
| 3.2 BP神经网络 | 第23-26页 |
| 3.2.1 BP神经网络结构 | 第23-24页 |
| 3.2.2 BP神经网络算法 | 第24-25页 |
| 3.2.3 BP神经网络的结构设计 | 第25-26页 |
| 3.3 Elman神经网络 | 第26-28页 |
| 3.3.1 Elman神经网络结构 | 第26-27页 |
| 3.3.2 Elman神经网络的原理及算法 | 第27-28页 |
| 3.4 本章小结 | 第28-30页 |
| 第四章 相似日和Elman神经网络相结合的短期负荷预测模型研究 | 第30-37页 |
| 4.1 相似日和Elman神经网络结合的预测模型提出 | 第30-32页 |
| 4.1.1 相似日预测方法及其特点 | 第30-31页 |
| 4.1.2 Elman神经网络的特性 | 第31-32页 |
| 4.1.3 模型概述 | 第32页 |
| 4.2 相似日的影响因素分析及其量化 | 第32-34页 |
| 4.2.1 影响相似日的因素 | 第32-33页 |
| 4.2.2 影响因素的量化处理 | 第33-34页 |
| 4.3 相似日和Elman神经网络相结合的短期负荷预测模型 | 第34-36页 |
| 4.3.1 相似日的选择 | 第34-35页 |
| 4.3.2 预测模型的建立 | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 实验研究及分析 | 第37-52页 |
| 5.1 实验的一般说明 | 第37页 |
| 5.2 原始数据的处理 | 第37-40页 |
| 5.2.1 部分原始数据列举 | 第38页 |
| 5.2.2 缺失数据的处理 | 第38-39页 |
| 5.2.3 异常数据的处理 | 第39-40页 |
| 5.2.4 数据的量化和归一化 | 第40页 |
| 5.3 基于相似日和Elman神经网络相结合模型的实验研究 | 第40-43页 |
| 5.3.1 相似日的选择 | 第40页 |
| 5.3.2 输入变量的选取 | 第40-41页 |
| 5.3.3 网络的设计 | 第41-42页 |
| 5.3.4 预测结果分析 | 第42-43页 |
| 5.4 三种模型的实验比较 | 第43-46页 |
| 5.4.1 BP神经网络的实验及分析 | 第43-44页 |
| 5.4.2 Elman神经网络的实验及分析 | 第44-45页 |
| 5.4.3 三种模型的实验比较及分析 | 第45-46页 |
| 5.5 不同类型日的实验验证 | 第46-48页 |
| 5.6 不同天气类型的实验验证 | 第48-49页 |
| 5.7 短期电力负荷预测实现 | 第49-50页 |
| 5.8 本章小结 | 第50-52页 |
| 总结与展望 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
| 附录A 攻读硕士学位期间发表论文及成果 | 第60-61页 |
| 附录B 攻读硕士学位期间获得的奖励 | 第61页 |
