| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 电力系统短期负荷预测的意义和目的 | 第12-13页 |
| 1.2 电力系统短期负荷预测的研究现状 | 第13-19页 |
| 1.2.1 负荷预测的内容与分类 | 第13-14页 |
| 1.2.2 传统的预测方法 | 第14-15页 |
| 1.2.3 目前较普遍的研究方法 | 第15-19页 |
| 1.3 本文主要研究内容 | 第19-20页 |
| 第2章 东营地区负荷特性及预测误差分析 | 第20-32页 |
| 2.1 东营地区经济社会发展概况及负荷特性 | 第20-25页 |
| 2.1.1 经济发展概况 | 第20页 |
| 2.1.2 东营地区负荷特性 | 第20-21页 |
| 2.1.3 负荷特性分析 | 第21-25页 |
| 2.2 影响负荷预测的因素及误差分析 | 第25-32页 |
| 2.2.1 影响因素 | 第25-29页 |
| 2.2.2 误差分析 | 第29-32页 |
| 第3章 负荷数据的预处理方法 | 第32-43页 |
| 3.1 坏数据的辨识与修正 | 第32-39页 |
| 3.1.1 样本数据聚类 | 第32-36页 |
| 3.1.2 坏数据辨识方法 | 第36-38页 |
| 3.1.3 坏数据辨识模型 | 第38页 |
| 3.1.4 坏数据修正 | 第38-39页 |
| 3.2 实例分析 | 第39-42页 |
| 3.3 小结 | 第42-43页 |
| 第4章 工作日负荷预测 | 第43-61页 |
| 4.1 主元分析法 | 第43-48页 |
| 4.1.1 基本理论及实现方法 | 第43-45页 |
| 4.1.2 主元分析法的改进 | 第45页 |
| 4.1.3 提取负荷数据 | 第45-48页 |
| 4.2 人工神经网络 | 第48-53页 |
| 4.2.1 多层前向人工神经网络 | 第48-51页 |
| 4.2.2 改进的反向传播学习算法(BP) | 第51-53页 |
| 4.3 改进的免疫算法的神经网络 | 第53-58页 |
| 4.3.1 基于自适应策略的改进免疫算法 | 第53-55页 |
| 4.3.2 基于改进免疫算法和激励函数可调的BP神经网络算法 | 第55-58页 |
| 4.4 实例分析 | 第58-60页 |
| 4.5 小结 | 第60-61页 |
| 第5章 节假日负荷预测 | 第61-78页 |
| 5.1 节假日负荷特点 | 第61-63页 |
| 5.2 周末负荷预测 | 第63-74页 |
| 5.2.1 算法简介 | 第64-70页 |
| 5.2.2 周末负荷预测过程 | 第70-72页 |
| 5.2.3 周末负荷数据的修正 | 第72-73页 |
| 5.2.4 实例分析 | 第73-74页 |
| 5.3 重大节假日负荷预测 | 第74-77页 |
| 5.3.1 灰色马尔可夫链组合预测模型 | 第75-76页 |
| 5.3.2 实例分析 | 第76-77页 |
| 5.4 小结 | 第77-78页 |
| 结论及展望 | 第78-80页 |
| 6.1 结论 | 第78-79页 |
| 6.2 未来工作展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 学位论文评阅及答辩情况表 | 第85页 |