| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-14页 |
| ·课题的研究背景和意义 | 第8-9页 |
| ·电力系统负荷预测概述 | 第9-10页 |
| ·负荷预测的概念 | 第9页 |
| ·负荷预测的分类 | 第9页 |
| ·负荷预测的步骤 | 第9-10页 |
| ·电力系统负荷预测研究现状 | 第10-12页 |
| ·论文的主要工作和创新 | 第12-14页 |
| 2 论文前奏 | 第14-30页 |
| ·短期负荷特性分析 | 第14-19页 |
| ·短期负荷预测模型的各种分量 | 第14-15页 |
| ·短期负荷预测需考虑的影响因素 | 第15页 |
| ·负荷的周期性特性 | 第15-19页 |
| ·数据预处理 | 第19-27页 |
| ·负荷数据的预处理 | 第19-24页 |
| ·天气样本的预处理 | 第24-26页 |
| ·日期类型的预处理 | 第26-27页 |
| ·预测误差分析 | 第27-28页 |
| ·绝对误差和相对误差 | 第27页 |
| ·平均绝对误差 | 第27页 |
| ·均方误差 | 第27页 |
| ·均方根误差 | 第27页 |
| ·标准误差 | 第27-28页 |
| ·本章小结 | 第28-30页 |
| 3 人工神经网络在电力系统短期负荷预测中的应用 | 第30-44页 |
| ·人工神经网络概述 | 第30-32页 |
| ·神经网络发展简史 | 第30-31页 |
| ·人工神经元模型 | 第31页 |
| ·神经网络常用的激发函数 | 第31-32页 |
| ·误差反传(Back Propagation,BP)算法 | 第32-35页 |
| ·BP前向神经网络模型 | 第33-34页 |
| ·网络各层节点的输入输出关系 | 第34页 |
| ·BP学习算法 | 第34-35页 |
| ·BP神经网络训练过程 | 第35页 |
| ·BP网络模型建立 | 第35-37页 |
| ·算例和结果分析 | 第37-43页 |
| ·本章小结 | 第43-44页 |
| 4 遗传算法优化的BP神经网络在短期负荷预测中的应用 | 第44-54页 |
| ·遗传算法概述 | 第44页 |
| ·遗传算法的基本要素 | 第44-47页 |
| ·染色体编码方式 | 第44-45页 |
| ·适应度函数 | 第45页 |
| ·遗传操作 | 第45-46页 |
| ·遗传算法中关键参数的确定 | 第46-47页 |
| ·遗传算法优化BP神经网络的模型 | 第47-48页 |
| ·遗传算法优化BP神经网络预测结果 | 第48-53页 |
| ·本章小结 | 第53-54页 |
| 5 小波分析在短期负荷预测中的应用 | 第54-86页 |
| ·引言 | 第54页 |
| ·小波变换 | 第54-58页 |
| ·从Fourier变换到小波变换 | 第54-55页 |
| ·连续小波变换 | 第55-57页 |
| ·二进小波变换 | 第57页 |
| ·框架 | 第57-58页 |
| ·多分辨率分析 | 第58-60页 |
| ·MALLAT算法 | 第60-61页 |
| ·粒子群优化算法 | 第61-63页 |
| ·PSO算法介绍 | 第61-62页 |
| ·PSO算法步骤 | 第62-63页 |
| ·PSO优化的BP神经网络 | 第63页 |
| ·支持向量机 | 第63-68页 |
| ·支持向量机简介 | 第63-65页 |
| ·线性可分支持向量机 | 第65-66页 |
| ·近似线性可分支持向量机 | 第66-67页 |
| ·非线性可分支持向量机 | 第67-68页 |
| ·基于PSO参数寻优的SVM短期负荷预测 | 第68页 |
| ·算例仿真分析 | 第68-84页 |
| ·基于小波分析的短期负荷预测 | 第68-70页 |
| ·基于各子序列的负荷建模 | 第70-75页 |
| ·预测结果 | 第75-77页 |
| ·小波分析综合方法与BP、GABP预测结果对比分析 | 第77-84页 |
| ·本章小结 | 第84-86页 |
| 6 结论与展望 | 第86-88页 |
| ·结论 | 第86页 |
| ·有待研究的问题 | 第86-88页 |
| 致谢 | 第88-90页 |
| 参考文献 | 第90-94页 |
| 附录 | 第94页 |
