基于神经网络的电力负荷预测方法研究及实现
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-16页 |
| ·课题背景及研究意义 | 第10-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·本文的主要工作 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第二章 电力负荷预测概述 | 第16-28页 |
| ·负荷预测的概念与分类 | 第16-17页 |
| ·负荷预测的特点 | 第17-18页 |
| ·负荷影响因素分析 | 第18-21页 |
| ·时间因素 | 第18-20页 |
| ·天气因素 | 第20页 |
| ·随机因素 | 第20-21页 |
| ·负荷预测的方法及比较 | 第21-26页 |
| ·负荷预测的基本步骤 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于神经网络的负荷预测模型的研究 | 第28-42页 |
| ·人工神经网络概述 | 第28-30页 |
| ·人工神经网络发展 | 第28页 |
| ·人工神经网络的结构 | 第28-30页 |
| ·BP 神经网络 | 第30-35页 |
| ·标准 BP 算法 | 第30-33页 |
| ·BP 算法在负荷预测中的存在的问题 | 第33页 |
| ·BP 算法的改进 | 第33-35页 |
| ·基于神经网络的短期电力负荷预测模型 | 第35-41页 |
| ·负荷预测模型设计与实现 | 第35-38页 |
| ·负荷数据预处理 | 第38-39页 |
| ·气温数据的量化 | 第39-40页 |
| ·负荷预测的误差分析指标 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 小波去噪算法在负荷预测中的应用 | 第42-56页 |
| ·小波分析基本理论 | 第42-45页 |
| ·连续小波变换 | 第43页 |
| ·离散小波变换 | 第43-44页 |
| ·常见的小波基函数 | 第44-45页 |
| ·小波基和分解尺度的选取 | 第45-46页 |
| ·小波阈值去噪算法 | 第46-50页 |
| ·小波去噪算法介绍 | 第46-47页 |
| ·小波阈值去噪算法及其改进 | 第47-50页 |
| ·实验结果及分析 | 第50-54页 |
| ·本章小结 | 第54-56页 |
| 第五章 短期负荷预测系统的实现 | 第56-73页 |
| ·GVMS 平台概述 | 第56-59页 |
| ·GVMS 总体架构 | 第56-57页 |
| ·GVMS 平台应用架构 | 第57-59页 |
| ·GVMS 平台应用部署 | 第59页 |
| ·GVMS 负荷预测系统设计 | 第59-66页 |
| ·数据存取 | 第61-62页 |
| ·预测算法 | 第62-64页 |
| ·负荷预测专题图 | 第64页 |
| ·硬件解决方案 | 第64-65页 |
| ·软件解决方案 | 第65-66页 |
| ·GVMS 负荷预测功能模块 | 第66-68页 |
| ·GVMS 负荷预测系统的实现 | 第68-72页 |
| ·负荷预测 | 第68-69页 |
| ·结果显示 | 第69-71页 |
| ·数据管理 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| ·全文总结 | 第73页 |
| ·今后研究展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
