摘要 | 第5-6页 |
Abstract | 第6页 |
1 绪论 | 第9-15页 |
1.1 课题的研究背景和意义 | 第9-10页 |
1.2 电力系统负荷预测概述 | 第10-11页 |
1.2.1 负荷预测的概念 | 第10页 |
1.2.2 负荷预测的分类 | 第10页 |
1.2.3 负荷预测的步骤 | 第10-11页 |
1.3 电力系统负荷预测研究现状 | 第11-13页 |
1.4 论文的主要工作和创新 | 第13-15页 |
2 短期负荷预测基础 | 第15-22页 |
2.1 短期负荷特性分析 | 第15-18页 |
2.1.1 短期负荷预测模型的各种分量 | 第15-16页 |
2.1.2 短期负荷预测需考虑的影响因素 | 第16页 |
2.1.3 负荷的周期性特性 | 第16-18页 |
2.2 数据预处理 | 第18-20页 |
2.2.1 负荷数据的预处理 | 第18-19页 |
2.2.2 天气样本的预处理 | 第19页 |
2.2.3 日期类型的预处理 | 第19-20页 |
2.3 预测误差分析 | 第20-21页 |
2.3.1 绝对误差和相对误差 | 第20页 |
2.3.2 平均绝对误差 | 第20页 |
2.3.3 均方误差 | 第20-21页 |
2.3.4 均方根误差 | 第21页 |
2.3.5 标准误差 | 第21页 |
2.4 本章小结 | 第21-22页 |
3 人工神经网络在电力系统短期负荷预测中的应用 | 第22-35页 |
3.1 人工神经网络概述 | 第22-24页 |
3.1.1 人工神经网络发展简史 | 第22页 |
3.1.2 人工神经网络的基本特征 | 第22-23页 |
3.1.3 神经网络常用的激发函数 | 第23-24页 |
3.2 误差反传(Back Propagation,BP)算法 | 第24-28页 |
3.2.1 BP前向神经网络模型 | 第25-26页 |
3.2.2 网络各层节点的输入输出的关系 | 第26页 |
3.2.3 BP学习算法 | 第26-27页 |
3.2.4 BP神经网络算法实现步骤 | 第27-28页 |
3.3 负荷预测算法模型建立 | 第28-29页 |
3.4 算例和结果分析 | 第29-34页 |
3.5 本章小结 | 第34-35页 |
4 粒子群优化算法与BP神经网络在短期负荷预测中的结合应用 | 第35-48页 |
4.1 粒子群优化算法概述 | 第35-36页 |
4.2 PSO算法步骤 | 第36页 |
4.3 PSO优化的BP神经网络模型 | 第36-37页 |
4.4 粒子群优化算法优化BP神经网络预测结果 | 第37-41页 |
4.5 算例分析 | 第41-47页 |
4.6 本章小结 | 第47-48页 |
5 结论与展望 | 第48-49页 |
5.1 结论 | 第48页 |
5.2 有待研究的问题 | 第48-49页 |
致谢 | 第49-50页 |
参考文献 | 第50-53页 |