考虑节点负荷模糊聚类的级联神经网络日负荷预测模型
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-14页 |
| ·问题的提出及研究意义 | 第7页 |
| ·短期负荷预测概述及国内外研究现状 | 第7-12页 |
| ·负荷分类在短期负荷预测中的应用概述 | 第12页 |
| ·本文研究的主要内容 | 第12-14页 |
| 2 神经网络和模糊聚类基本原理 | 第14-30页 |
| ·BP 网络及BP 算法 | 第14-17页 |
| ·BP 网络结构 | 第14-15页 |
| ·BP 学习算法 | 第15-17页 |
| ·RBF 网络及其学习算法 | 第17-20页 |
| ·RBF 网络结构和工作原理 | 第17-18页 |
| ·RBF 网络学习算法 | 第18-20页 |
| ·BP 与RBF 网络的对比 | 第20-21页 |
| ·BP 与RBF 网络的区别 | 第20页 |
| ·BP 与RBF 网络算例分析 | 第20-21页 |
| ·模糊聚类分析 | 第21-29页 |
| ·数据规格化 | 第22-23页 |
| ·标定(建立模糊相似矩阵) | 第23-25页 |
| ·传递闭包法建立模糊等价矩阵 | 第25-26页 |
| ·模糊聚类步骤 | 第26-27页 |
| ·最佳阈值λ的确定 | 第27-29页 |
| ·本章小结 | 第29-30页 |
| 3 母线节点负荷模糊聚类分析 | 第30-40页 |
| ·负荷分类标准 | 第30-31页 |
| ·建立负荷特性模糊聚类指标 | 第31-32页 |
| ·母线节点负荷聚类步骤 | 第32-33页 |
| ·母线节点负荷聚类实例分析 | 第33-39页 |
| ·不良负荷数据的预处理 | 第33-34页 |
| ·各母线节点年平均日负荷曲线 | 第34-37页 |
| ·母线节点负荷聚类结果分析 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 4 日负荷预测的改进级联神经网络方法 | 第40-61页 |
| ·改进级联神经网络的建立 | 第40-43页 |
| ·BP 网络拓扑结构 | 第41-42页 |
| ·RBF 网络拓扑结构 | 第42-43页 |
| ·日负荷预测的前期工作 | 第43-48页 |
| ·日类型和气温的量化处理 | 第43-44页 |
| ·输入输出变量的处理 | 第44-45页 |
| ·样本的选取 | 第45-46页 |
| ·网络模型的训练与测试 | 第46-48页 |
| ·级联神经网络与单神经网络预测对比 | 第48-51页 |
| ·平均负荷比例法量化日类型 | 第48-49页 |
| ·BP 网络训练函数性能对比 | 第49页 |
| ·两种日负荷预测模型预测对比 | 第49-51页 |
| ·日负荷预测模型的改进方法一 | 第51-55页 |
| ·引入母线节点负荷模糊聚类 | 第51-52页 |
| ·聚类后与聚类前预测对比 | 第52-55页 |
| ·日负荷预测模型的改进方法二 | 第55-57页 |
| ·引入分段预测方式 | 第55页 |
| ·分段与未分段预测对比 | 第55-57页 |
| ·改进后的日负荷预测模型实例分析 | 第57-60页 |
| ·本章小结 | 第60-61页 |
| 5 结论 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录：作者在攻读硕士学位期间发表的论文目录 | 第66页 |
