电力系统中短期负荷预测的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-16页 |
| ·电力系统负荷预测的意义 | 第9-10页 |
| ·负荷预测的分类 | 第10-11页 |
| ·国内外负荷预测的研究现状 | 第11-14页 |
| ·本论文的主要研究工作 | 第14-16页 |
| 第2章 电力系统负荷预测概论 | 第16-23页 |
| ·电力负荷的分类和特性 | 第16-20页 |
| ·电力负荷的分类 | 第16-17页 |
| ·电力负荷的内在规律 | 第17-18页 |
| ·电力负荷的外在特性 | 第18-20页 |
| ·负荷预测的特点 | 第20-21页 |
| ·负荷预测的基本原理 | 第21-23页 |
| 第3章 基于灰色系统理论的中期负荷预测 | 第23-34页 |
| ·灰色系统理论介绍 | 第23-25页 |
| ·灰色系统 | 第23-24页 |
| ·灰色系统理论的研究任务 | 第24-25页 |
| ·灰色生成 | 第25-27页 |
| ·累加生成 | 第25-27页 |
| ·累减生成 | 第27页 |
| ·基于灰色系统理论的中期负荷预测模型的建立 | 第27-30页 |
| ·灰色模型建模机理 | 第27页 |
| ·GM（1，1）负荷预测模型 | 第27-29页 |
| ·等维灰数递补方法 | 第29-30页 |
| ·GM（1，1）模型特点 | 第30页 |
| ·误差分析 | 第30-31页 |
| ·算例分析 | 第31-34页 |
| 第4章 基于遗传神经网络的短期负荷预测 | 第34-56页 |
| ·人工神经网络概述 | 第34-40页 |
| ·人工神经网络的基本概念 | 第34-36页 |
| ·人工神经网络的学习方式 | 第36页 |
| ·RBF 神经网络 | 第36-39页 |
| ·RBF 网络与BP 网络的比较 | 第39-40页 |
| ·遗传算法概述 | 第40-45页 |
| ·遗传算法基本流程 | 第40-41页 |
| ·遗传算法的优越性 | 第41-43页 |
| ·遗传算法的改进 | 第43-45页 |
| ·基于遗传神经网络的短期负荷预测模型的建立 | 第45-51页 |
| ·网络输入变量选择 | 第45-46页 |
| ·网络输入变量处理 | 第46-47页 |
| ·网络隐层参数初始化 | 第47-49页 |
| ·网络学习训练 | 第49-51页 |
| ·算例分析 | 第51-56页 |
| ·样本的选取 | 第51页 |
| ·数据预处理 | 第51-53页 |
| ·结果分析 | 第53-56页 |
| 第5章 电力系统中短期负荷预测软件的设计与实现 | 第56-62页 |
| ·软件开发平台 | 第56页 |
| ·软件功能模块 | 第56-61页 |
| ·相关因素设置模块 | 第57-58页 |
| ·数据库模块 | 第58页 |
| ·负荷数据分析模块 | 第58-60页 |
| ·负荷预测模块 | 第60-61页 |
| ·软件的特点 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的学术成果 | 第68-69页 |
| 致谢 | 第69页 |
