| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 引言 | 第11-23页 |
| ·课题研究的背景及意义 | 第11-12页 |
| ·短期负荷预测的特点 | 第12-13页 |
| ·短期负荷预测研究的现状 | 第13-22页 |
| ·传统的短期负荷预测方法 | 第13-18页 |
| ·回归模型法 | 第13页 |
| ·指数平滑法 | 第13-14页 |
| ·时间序列法 | 第14-17页 |
| ·灰色预测法 | 第17页 |
| ·相似日法 | 第17-18页 |
| ·现代的短期负荷预测方法 | 第18-22页 |
| ·人工神经网络预测方法 | 第18-19页 |
| ·模糊预测方法 | 第19-20页 |
| ·小波分析预测方法 | 第20页 |
| ·支持向量机预测方法 | 第20-21页 |
| ·混沌理论预测方法 | 第21-22页 |
| ·本文研究的主要内容及章节安排 | 第22-23页 |
| 第二章 混沌时间序列与相空间重构 | 第23-40页 |
| ·混沌时间序列 | 第23-25页 |
| ·电力短期负荷的混沌特性分析 | 第25-26页 |
| ·混沌特性 | 第25-26页 |
| ·电力负荷混沌特性的成因 | 第26页 |
| ·相空间重构技术 | 第26-34页 |
| ·最佳延迟时间τ的选取 | 第27-32页 |
| ·自相关函数法 | 第27-29页 |
| ·互信息函数法 | 第29-32页 |
| ·最佳嵌入维数m的选取 | 第32-34页 |
| ·G-P方法 | 第32页 |
| ·Cao氏方法 | 第32-34页 |
| ·混沌时间序列的预测方法 | 第34-40页 |
| 第三章 基于混沌时间序列和BP神经网络的短期负荷预测 | 第40-53页 |
| ·概述 | 第40页 |
| ·BP神经网络的结构 | 第40-42页 |
| ·BP学习算法 | 第42-45页 |
| ·负荷数据的预处理 | 第45-46页 |
| ·建立基于混沌时间序列和BP神经网络的预测模型 | 第46-48页 |
| ·建立误差评价指标 | 第48-49页 |
| ·计算流程图 | 第49页 |
| ·实例分析 | 第49-52页 |
| ·本章小结 | 第52-53页 |
| 第四章 混合混沌关联度和神经网络的短期负荷预测 | 第53-62页 |
| ·概述 | 第53-55页 |
| ·联合欧氏距离和关联度选取神经网络的训练样本 | 第55-56页 |
| ·建立混合混沌关联度和神经网络的负荷预测模型 | 第56-58页 |
| ·计算流程图 | 第58页 |
| ·实例分析 | 第58-60页 |
| ·本章小结 | 第60-62页 |
| 第五章 基于分时段相空间重构和GRNN的短期负荷预测 | 第62-72页 |
| ·概述 | 第62页 |
| ·分时段相空间重构 | 第62-64页 |
| ·最佳延迟时间的选取 | 第63页 |
| ·最佳嵌入维数的选取 | 第63-64页 |
| ·广义回归神经网络(GRNN) | 第64-68页 |
| ·径向神经网络(RBF) | 第64-65页 |
| ·GRNN | 第65-68页 |
| ·GRNN理论基础 | 第65-66页 |
| ·GRNN网络结构 | 第66-68页 |
| ·建立基于分时段相空间重构和GRNN的预测模型 | 第68-69页 |
| ·计算流程图 | 第69页 |
| ·实例分析 | 第69-71页 |
| ·本章小结 | 第71-72页 |
| 第六章 结论与展望 | 第72-74页 |
| ·研究结论 | 第72-73页 |
| ·存在的问题 | 第73页 |
| ·展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间发表论文情况 | 第80页 |