| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 电力负荷预测的分类 | 第9-10页 |
| 1.3 短期电力负荷预测的研究现状 | 第10-12页 |
| 1.3.1 经典预测方法 | 第10页 |
| 1.3.2 传统预测方法 | 第10-11页 |
| 1.3.3 智能预测方法 | 第11-12页 |
| 1.4 本文主要内容 | 第12-14页 |
| 第2章 电力负荷预测的相关理论 | 第14-18页 |
| 2.1 电力负荷预测基本特征 | 第14-15页 |
| 2.2 电力负荷预测精确性相关影响要素 | 第15-16页 |
| 2.3 电力负荷预测流程 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第3章 基于隐马尔科夫模型的短期负荷预测方法 | 第18-28页 |
| 3.1 隐马尔科夫模型原理及基本算法 | 第18-20页 |
| 3.2 模型初始矩阵设置及观测状态数的选择 | 第20-23页 |
| 3.3 模型隐状态数优化设置 | 第23-27页 |
| 3.3.1 隐状态数对参数学习及模式识别的影响分析 | 第23-24页 |
| 3.3.2 基于信息熵的隐状态数选取 | 第24-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 改进粒子群算法优化的BP神经网络研究 | 第28-36页 |
| 4.1 改进粒子群优化算法 | 第28-30页 |
| 4.1.1 种群聚集度指数 | 第28-29页 |
| 4.1.2 采用分布函数更新粒子 | 第29-30页 |
| 4.1.3 动态惯性因子 | 第30页 |
| 4.2 BP神经网络简介 | 第30-32页 |
| 4.3 改进粒子群优化的BP神经网络 | 第32-35页 |
| 4.3.1 算法内容 | 第32-33页 |
| 4.3.2 算法流程 | 第33-35页 |
| 4.4 本章小结 | 第35-36页 |
| 第5章 短期电力负荷组合预测算法研究 | 第36-49页 |
| 5.1 短期电力组合预测相关理论研究 | 第36-38页 |
| 5.1.1 组合预测模型概述 | 第36页 |
| 5.1.2 等权平均组合预测方法 | 第36页 |
| 5.1.3 方差倒数组合预测方法 | 第36-37页 |
| 5.1.4 递归等权组合预测方法 | 第37-38页 |
| 5.2 差分进化算法研究 | 第38-41页 |
| 5.2.1 差分进化算法的思想与原理 | 第38-40页 |
| 5.2.2 差分进化算法步骤 | 第40-41页 |
| 5.2.3 差分进化算法的特点 | 第41页 |
| 5.3 基于差分进化算法的电力负荷组合预测算法 | 第41-42页 |
| 5.4 算例实证研究 | 第42-48页 |
| 5.4.1 实验数据集与实验过程 | 第42-44页 |
| 5.4.2 隐马尔科夫预测 | 第44-45页 |
| 5.4.3 BP神经网络预测 | 第45页 |
| 5.4.4 组合预测权值优化过程 | 第45-46页 |
| 5.4.5 算法实验结果 | 第46-47页 |
| 5.4.6 预测结果分析 | 第47-48页 |
| 5.5 本章小结 | 第48-49页 |
| 第6章 结论和展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 附录 | 第54-56页 |
| 发表论文和参加科研情况说明 | 第56-57页 |
| 致谢 | 第57页 |