| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 课题研究的背景和意义 | 第8-10页 |
| 1.2 热网负荷预测的国内外研究现状 | 第10-15页 |
| 1.3 本文的主要研究内容 | 第15-17页 |
| 第2章 热网负荷数据预处理 | 第17-34页 |
| 2.1 异常数据处理 | 第17-23页 |
| 2.1.1 密度估计法基本原理 | 第18-20页 |
| 2.1.2 参数设定 | 第20页 |
| 2.1.3 密度估计算法处理异常数据步骤 | 第20-21页 |
| 2.1.4 密度估计算法仿真结果 | 第21-23页 |
| 2.2 缺失数据处理 | 第23-24页 |
| 2.3 数据归一化 | 第24-25页 |
| 2.4 数据去噪处理 | 第25-32页 |
| 2.4.1 传统去噪方法概述 | 第25-26页 |
| 2.4.2 小波去噪处理 | 第26-31页 |
| 2.4.3 数据去噪处理流程 | 第31页 |
| 2.4.4 数据去噪效果仿真分析 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第3章 热网负荷时间序列特性分析 | 第34-40页 |
| 3.1 影响因素分析 | 第34-36页 |
| 3.2 热网负荷特性简析 | 第36-37页 |
| 3.3 预测误差分析 | 第37-39页 |
| 3.3.1 预测误差产生原因 | 第37-38页 |
| 3.3.2 预测误差评价标准 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于 RBF 神经网络的热网负荷预测模型 | 第40-47页 |
| 4.1 ANN 网络预测现状 | 第40-41页 |
| 4.2 径向基函数神经网络概述 | 第41-43页 |
| 4.3 RBF 神经网络学习算法 | 第43-45页 |
| 4.3.1 正交最小二乘算法 | 第43-44页 |
| 4.3.2 梯度下降法 | 第44-45页 |
| 4.4 RBF 网络特征及其问题 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 基于粒子群算法优化的 RBF 神经网络 | 第47-59页 |
| 5.1 粒子群算法概述 | 第47-51页 |
| 5.1.1 粒子群算法基本原理 | 第47-49页 |
| 5.1.2 粒子群算法流程 | 第49-50页 |
| 5.1.3 粒子群算法参数设置 | 第50-51页 |
| 5.1.4 粒子群算法的优点及现存问题 | 第51页 |
| 5.2 改进的粒子群算法 | 第51-54页 |
| 5.2.1 改进粒子群算法原理 | 第51-53页 |
| 5.2.2 改进粒子群算法的 RBF 神经网络模型建立 | 第53-54页 |
| 5.3 基于 MPSO-RBF 神经网络短期热网负荷预测 | 第54-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-66页 |
| 致谢 | 第66页 |