基于小波和神经网络算法的电力系统短期负荷预测的研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-19页 |
| ·引言 | 第11页 |
| ·电力系统负荷预测 | 第11-13页 |
| ·电力系统负荷预测的概念 | 第11页 |
| ·短期电力系统负荷预测的意义 | 第11-12页 |
| ·短期电力系统负荷预测的内容及其特点 | 第12-13页 |
| ·国内外负荷预测的发展与现状 | 第13-17页 |
| ·电力系统短期负荷预测的传统方法 | 第13-15页 |
| ·电力系统短期负荷预测的人工智能新方法 | 第15-17页 |
| ·负荷预测的步骤 | 第17-18页 |
| ·本文研究的主要内容及章节安排 | 第18-19页 |
| 第二章 小波变换在电力短期负荷预测中的应用 | 第19-37页 |
| ·引言 | 第19-20页 |
| ·小波变换的基本概念 | 第20-24页 |
| ·连续小波变换 | 第20-22页 |
| ·离散小波变换 | 第22页 |
| ·二进小波变换 | 第22-23页 |
| ·正交小波变换 | 第23-24页 |
| ·小波变换的多分辨率分析 | 第24-27页 |
| ·从滤波器组角度引入多分辨率分析 | 第24-26页 |
| ·从函数空间角度引入多分辨率分析 | 第26-27页 |
| ·MALLAT 算法 | 第27-29页 |
| ·MALLAT 分解算法 | 第27-28页 |
| ·MALLAT 重构算法 | 第28-29页 |
| ·小波包分析 | 第29-33页 |
| ·小波包的定义 | 第29-31页 |
| ·小波包的空间分解 | 第31页 |
| ·小波包算法 | 第31-32页 |
| ·小波基函数的选择 | 第32-33页 |
| ·小波分析在电力负荷预测的应用 | 第33-34页 |
| ·仿真分析 | 第34-36页 |
| ·小波尺度的选择 | 第34页 |
| ·基于多分辨率分析的负荷序列分解 | 第34-35页 |
| ·基于小波包分析的负荷序列分解 | 第35-36页 |
| ·小结 | 第36-37页 |
| 第三章 人工神经网络在电力负荷预测中的应用 | 第37-46页 |
| ·人工神经网络的基本概念和特征 | 第37-38页 |
| ·人工神经网络的网络结构和工作过程 | 第38-39页 |
| ·人工神经网络的网络结构选择问题 | 第39页 |
| ·学习率的选取问题 | 第39-40页 |
| ·BP 网络及 BP 算法 | 第40-44页 |
| ·BP 算法的原理 | 第40页 |
| ·BP 神经元及 BP 网络模型 | 第40-43页 |
| ·BP 算法的几个缺陷 | 第43-44页 |
| ·人工神经网络理论在电力负荷预测中的应用 | 第44-45页 |
| ·小结 | 第45-46页 |
| 第四章 基于稳定度分析的电力系统短期负荷预测 | 第46-63页 |
| ·引言 | 第46页 |
| ·短期预测中的规律性与稳定度分析 | 第46-51页 |
| ·历史负荷数据、预测模型与预测误差间的关系 | 第47-48页 |
| ·频域分解与误差分析 | 第48-49页 |
| ·负荷序列的频域分解算法 | 第49-51页 |
| ·傅立叶神经网络 | 第51-56页 |
| ·傅立叶级数 | 第51页 |
| ·傅立叶神经网络 | 第51-53页 |
| ·周期性子序列傅立叶基神经网络模型的建立 | 第53-54页 |
| ·权值调整算法 | 第54-55页 |
| ·神经网络的训练步骤 | 第55-56页 |
| ·算例及仿真分析 | 第56-62页 |
| ·负荷数据的归一化 | 第56页 |
| ·仿真实例分析 | 第56-60页 |
| ·预测结果及分析 | 第60-62页 |
| ·小结 | 第62-63页 |
| 结论与展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 附录A (攻读硕士学位期间发表论文目录) | 第69-70页 |
| 附录B (攻读硕士学位期间参与科研项目) | 第70页 |
