| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-14页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12页 |
| 1.2.3 基于混沌时间序列的短期电力负荷预测研究现状 | 第12-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 第2章 电力负荷预测相关理论 | 第14-22页 |
| 2.1 电力负荷预测的经济利益 | 第14-15页 |
| 2.2 电力负荷预测算法中用到的方法 | 第15-20页 |
| 2.2.1 混沌时间序列—相空间重构 | 第15页 |
| 2.2.2 人工神经网络 | 第15-18页 |
| 2.2.3 差分进化算法 | 第18-20页 |
| 2.3 短期电力负荷预测的实验数据 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于混沌时间序列的特征提取方法DFNS | 第22-36页 |
| 3.1 相空间重构基本方法 | 第22页 |
| 3.2 时延τ的确定 | 第22-26页 |
| 3.2.1 自相关函数法 | 第22-23页 |
| 3.2.2 平均位移法 | 第23-24页 |
| 3.2.3 复自相关法 | 第24-25页 |
| 3.2.4 互信息量法 | 第25-26页 |
| 3.3 嵌入维m的确定 | 第26-27页 |
| 3.3.1 G-P算法 | 第26-27页 |
| 3.4 同时确定嵌入维m和时延τ的方法 | 第27-30页 |
| 3.4.1 C-C方法 | 第27-29页 |
| 3.4.2 C-C方法的改进 | 第29-30页 |
| 3.5 新的特征提取方法DFNS | 第30-35页 |
| 3.5.1 DFNS相空间重构 | 第31-32页 |
| 3.5.2 DFNS最小二乘法线性回归 | 第32页 |
| 3.5.3 DFNS特征个数CH的计算 | 第32-34页 |
| 3.5.4 DFNS特征提取 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 双隐藏层Softplus型神经网络(D_LSNN) | 第36-44页 |
| 4.1 双隐藏层神经网络 | 第36-39页 |
| 4.1.1 双隐藏层神经网络 | 第36-38页 |
| 4.1.2 算法性能验证 | 第38-39页 |
| 4.2 Softplus型神经网络 | 第39-42页 |
| 4.2.1 Sigmoid函数 | 第39-40页 |
| 4.2.2 Softplus函数 | 第40-41页 |
| 4.2.3 D LSNN | 第41-42页 |
| 4.3 D LSNN仿真验证 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 基于DFNS,D_LSNN,BMDE的短期电力负荷预测 | 第44-54页 |
| 5.1 DE及其改进 | 第44-48页 |
| 5.1.1 权值编码操作 | 第44-45页 |
| 5.1.2 评优函数 | 第45页 |
| 5.1.3 改进的BMDE算法 | 第45-48页 |
| 5.2 基于DFNS,D_LSNN,BMDE的短期电力负荷预测 | 第48-53页 |
| 5.3 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表的论文 | 第60页 |
