| 摘要 | 第1-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第7-19页 |
| ·短期负荷预测的目的和意义 | 第7页 |
| ·国内外短期负荷预测现状 | 第7-14页 |
| ·电力系统短期负荷预测发展现状 | 第7-10页 |
| ·基于神经网络的短期负荷预测方法综述 | 第10-14页 |
| ·负荷预测原理介绍 | 第14-16页 |
| ·负荷预测的分类和特点 | 第14页 |
| ·短期负荷预测的特点和原理 | 第14-16页 |
| ·短期负荷预测基本步骤 | 第16页 |
| ·负荷预测的误差指标 | 第16-17页 |
| ·本文所做的工作 | 第17-19页 |
| 第二章 BP模型学习方法的改进研究用于短期负荷预测 | 第19-35页 |
| ·人工神经网络基础 | 第19-22页 |
| ·人工神经网络发展历史 | 第19页 |
| ·人工神经网络的基本概念 | 第19-20页 |
| ·人工神经网络的基本特性 | 第20-21页 |
| ·人工神经网络在电力系统中的应用 | 第21-22页 |
| ·人工神经网络算法概述 | 第22-23页 |
| ·BP人工神经网络 | 第23-28页 |
| ·BP人工神经网络模型 | 第23-24页 |
| ·学习规则 | 第24-28页 |
| ·BP人工神经网络的缺点 | 第28页 |
| ·BP学习方法的传统改进方法分析 | 第28-31页 |
| ·惯性矫正法 | 第28-29页 |
| ·变步长BP法 | 第29-30页 |
| ·改进的惯性校正法 | 第30页 |
| ·自适应学习速率 | 第30页 |
| ·利用L-M学习规则的改进 | 第30-31页 |
| ·一种基于模型逼近度和接受概率的变步长快速BP学习算法 | 第31-33页 |
| ·模式适应度 | 第31-33页 |
| ·接受概率 | 第33页 |
| ·算例应用和分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 BP网络用于短期负荷预测网络结构研究 | 第35-48页 |
| ·人工神经网络网络结构概述 | 第35-37页 |
| ·引言 | 第35页 |
| ·输出层的选择 | 第35-36页 |
| ·输入层的选择 | 第36页 |
| ·隐含层的选择 | 第36-37页 |
| ·遗传算法基础 | 第37-43页 |
| ·遗传算法简介 | 第37页 |
| ·遗传算法特点 | 第37-38页 |
| ·遗传算法的步骤 | 第38-41页 |
| ·遗传算法的缺点以及改进措施 | 第41-42页 |
| ·遗传算法在电力系统中的应用 | 第42-43页 |
| ·算例分析 | 第43-47页 |
| ·算法应用和步骤 | 第43-45页 |
| ·预测流程图 | 第45页 |
| ·算例结果和分析 | 第45-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 基于神经网络的短期负荷预测 | 第48-75页 |
| ·概述 | 第48页 |
| ·短期负荷特性分析 | 第48-58页 |
| ·短期负荷特性概述 | 第48-49页 |
| ·负荷特性的指标 | 第49-51页 |
| ·我国负荷增长状况 | 第51页 |
| ·负荷的周期性特性 | 第51-55页 |
| ·负荷的天气影响因素 | 第55-57页 |
| ·负荷的其它影响因素 | 第57-58页 |
| ·历史数据的处理 | 第58-61页 |
| ·引言 | 第58页 |
| ·不良数据的分类 | 第58-59页 |
| ·不良数据的识别和修正 | 第59-60页 |
| ·样本集的处理 | 第60-61页 |
| ·正常日短期负荷预测模型 | 第61-66页 |
| ·引言 | 第61-62页 |
| ·一种基于天气影响因素差异度的神经网络预测方法 | 第62-64页 |
| ·算例应用 | 第64-66页 |
| ·特殊节假日预测模型 | 第66-74页 |
| ·引言 | 第66页 |
| ·模糊逻辑 | 第66-69页 |
| ·一种基于模糊逻辑的特殊节假日短期负荷预测模型 | 第69-72页 |
| ·算例应用 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 第五章 结论和展望 | 第75-77页 |
| ·结论 | 第75-76页 |
| ·不足和展望 | 第76-77页 |
| 参考文献 | 第77-80页 |