| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.1.1 研究背景 | 第7页 |
| 1.1.2 研究意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 国内研究现状 | 第8页 |
| 1.2.2 国外研究现状 | 第8-9页 |
| 1.3 负荷预测主要方法分析 | 第9-11页 |
| 1.3.1 传统预测方法 | 第9-10页 |
| 1.3.2 现代预测方法 | 第10-11页 |
| 1.4 本文的主要工作 | 第11-13页 |
| 第二章 电力负荷预测研究 | 第13-19页 |
| 2.1 电力负荷的分类 | 第13-14页 |
| 2.2 电力负荷预测概述 | 第14-15页 |
| 2.3 电力负荷预测的特点 | 第15页 |
| 2.4 电力负荷预测的基本原理 | 第15-16页 |
| 2.5 电力负荷预测基本流程 | 第16-18页 |
| 2.6 本章小结 | 第18-19页 |
| 第三章 人工神经网络 | 第19-25页 |
| 3.1 人工神经网络概述 | 第19页 |
| 3.2 人工神经网络的基本特点 | 第19-20页 |
| 3.3 人工神经网络结构 | 第20页 |
| 3.4 人工神经网络的激励函数 | 第20-21页 |
| 3.5 人工神经网络的模型分类 | 第21-23页 |
| 3.6 人工神经网络的学习规则 | 第23-24页 |
| 3.7 本章小结 | 第24-25页 |
| 第四章 基于BP神经网络的短期电力负荷预测 | 第25-42页 |
| 4.1 BP神经网络概述 | 第25-26页 |
| 4.2 BP神经网络的网络结构 | 第26-27页 |
| 4.3 BP神经网络的学习算法 | 第27-30页 |
| 4.3.1 信号正向传播 | 第27页 |
| 4.3.2 误差反向传播 | 第27-28页 |
| 4.3.3 学习算法的基本优化方法 | 第28-30页 |
| 4.4 基于BP神经网络预测模型的建立 | 第30-37页 |
| 4.4.1 数据的预处理 | 第30-31页 |
| 4.4.2 选取网络结构 | 第31-33页 |
| 4.4.3 选取学习参数 | 第33-34页 |
| 4.4.4 改进学习算法 | 第34-37页 |
| 4.5 算例分析 | 第37-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第五章 基于Elman神经网络的短期电力负荷预测 | 第42-52页 |
| 5.1 Elman神经网络基本原理 | 第42-43页 |
| 5.2 Elman神经网络的网络结构 | 第43-44页 |
| 5.3 Elman神经网络算法 | 第44-45页 |
| 5.4 基于Elman神经网络预测模型的建立 | 第45-47页 |
| 5.4.1 数据的预处理 | 第45-46页 |
| 5.4.2 改进学习算法 | 第46页 |
| 5.4.3 改进激励函数 | 第46-47页 |
| 5.4.4 选取网络结构 | 第47页 |
| 5.5 算例分析 | 第47-49页 |
| 5.6 BP神经网络和Elman神经网络预测结果对比 | 第49-51页 |
| 5.7 本章小结 | 第51-52页 |
| 第六章 结论与展望 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 致谢 | 第55-56页 |
| 个人简历 | 第56页 |