首页--工业技术论文--电工技术论文--输配电工程、电力网及电力系统论文--理论与分析论文--电力系统规划论文

基于连云港市的电力系统短期负荷预测研究

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

论文共53页,点击 下载论文
上一篇:单核细胞增生李斯特菌HNB-LAMP检测方法的建立
下一篇:贫困大学生政治参与研究--以东北大学为例