基于改进数据流和小波包分析的超短期负荷预测方法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 经典预测方法 | 第9-10页 |
| 1.2.2 智能预测方法 | 第10-13页 |
| 1.2.3 综合预测方法 | 第13页 |
| 1.2.4 概率预测方法 | 第13-14页 |
| 1.2.5 总结 | 第14页 |
| 1.3 本文的主要工作内容 | 第14-16页 |
| 2 电力负荷的基本特性及超短期负荷预测的基本原则 | 第16-25页 |
| 新建目录项 | 第16页 |
| 2.1 负荷特性分析 | 第16-22页 |
| 2.1.1 负荷的基本模型 | 第16页 |
| 2.1.2 时间因素对负荷的影响及其预测方法 | 第16-19页 |
| 2.1.3 气象因素对负荷的影响及其预测方法 | 第19-21页 |
| 2.1.4 不确定性因素对负荷的影响及预测方法 | 第21-22页 |
| 2.2 超短期负荷预测理论研究 | 第22-24页 |
| 2.2.1 负荷预测的分类方式 | 第22-23页 |
| 2.2.2 超短期负荷预测应遵循的理念 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 3 基于改进数据流在线分割的超短期负荷预测 | 第25-47页 |
| 3.1 超短期负荷预测方法的原理 | 第25-26页 |
| 3.2 负荷数据流在线分割预测模型 | 第26-31页 |
| 3.2.1 优点概述 | 第26-27页 |
| 3.2.2 模型理论 | 第27-29页 |
| 3.2.3 分割点判别指标对预测精度的影响 | 第29页 |
| 3.2.4 预测误差分析 | 第29-31页 |
| 3.3 基于短期预测结果的分割点实时修正 | 第31-42页 |
| 3.3.1 分割点误差分析 | 第31-34页 |
| 3.3.2 RBF 神经网络理论 | 第34-35页 |
| 3.3.3 短期预测建模及应用 | 第35-40页 |
| 3.3.4 分割点实时修正 | 第40-42页 |
| 3.4 算例分析 | 第42-46页 |
| 3.4.1 预测步骤 | 第42-43页 |
| 3.4.2 评价标准 | 第43页 |
| 3.4.3 结果分析 | 第43-46页 |
| 3.5 本章小结 | 第46-47页 |
| 4 基于小波包分析的超短期负荷预测方法研究 | 第47-59页 |
| 4.1 小波的基本概念 | 第47-48页 |
| 4.2 多分辨分析与 Mallat 算法 | 第48-50页 |
| 4.3 小波包分析 | 第50-52页 |
| 4.3.1 小波包基本理论 | 第50页 |
| 4.3.2 小波包空间的精细分割 | 第50-52页 |
| 4.3.3 小波包分析在超短期负荷预测中的优势 | 第52页 |
| 4.4 基于小波包分析的超短期负荷预测模型 | 第52-57页 |
| 4.4.1 预测模型参数选择 | 第52页 |
| 4.4.2 预测步骤 | 第52-53页 |
| 4.4.3 算例分析 | 第53-57页 |
| 4.5 本章小结 | 第57-59页 |
| 5 结论与展望 | 第59-61页 |
| 5.1 结论 | 第59-60页 |
| 5.2 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67页 |
| 作者在攻读硕士期间发表的论文 | 第67页 |
