基于BP组合模型的燃气负荷预测的研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-12页 |
| ·课题研究背景 | 第8页 |
| ·研究意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·本论文的主要研究内容 | 第10-12页 |
| 第2章 燃气负荷特性分析 | 第12-17页 |
| ·燃气负荷预测概述 | 第12-13页 |
| ·燃气负荷预测的步骤 | 第13页 |
| ·燃气负荷的周期性特点 | 第13-14页 |
| ·燃气负荷预测的相关因素分析 | 第14-16页 |
| ·温度对燃气负荷的影响 | 第14-15页 |
| ·天气对燃气负荷的影响 | 第15页 |
| ·日期类型对燃气负荷的影响 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 第3章 燃气数据的预处理 | 第17-21页 |
| ·异常数据的处理 | 第17-18页 |
| ·小波去噪原理及数据处理 | 第18-19页 |
| ·燃气负荷数据去噪处理流程 | 第19-20页 |
| ·数据归一化处理 | 第20页 |
| ·训练集的分类 | 第20页 |
| ·本章小结 | 第20-21页 |
| 第4章 燃气负荷预测模型的常用模型及其优化 | 第21-33页 |
| ·燃气负荷预测模型论述 | 第21-28页 |
| ·灰色理论的GM(1,1)预测模型 | 第21页 |
| ·支持向量机模型 | 第21-24页 |
| ·人工神经网络模型 | 第24-25页 |
| ·BP神经网络模型 | 第25-28页 |
| ·参数优化算法 | 第28-32页 |
| ·遗传算法（GA） | 第28-29页 |
| ·粒子群优化算法（PSO） | 第29-31页 |
| ·布谷鸟搜索算法（CS） | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第5章 燃气负荷预测模型建立及选择 | 第33-43页 |
| ·模型输入变量的确定 | 第33-34页 |
| ·燃气负荷预测误差评价体系 | 第34-35页 |
| ·短期燃气负荷预测模型的建立以及对比研究 | 第35-38页 |
| ·灰色理论的GM(1,1)燃气负荷预测模型 | 第35-36页 |
| ·支持向量机燃气负荷预测模型 | 第36-37页 |
| ·BP神经网络燃气负荷预测模型 | 第37-38页 |
| ·仿真实验及结果分析 | 第38-41页 |
| ·本章小结 | 第41-43页 |
| 第6章 BP神经网络燃气日负荷预测模型的优化 | 第43-53页 |
| ·遗传算法的参数寻优（GA） | 第43-44页 |
| ·粒子群算法的参数寻优（PSO） | 第44-45页 |
| ·布谷鸟搜索算法的参数寻优（CS） | 第45-47页 |
| ·优化算法性能比较 | 第47-50页 |
| ·仿真实验及结果分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第7章 基于CS-BP的节假日燃气负荷预测 | 第53-70页 |
| ·相似日的介绍 | 第53-54页 |
| ·日特征向量的模糊化 | 第54-57页 |
| ·不同特征日的特征相似日和相似度 | 第57-58页 |
| ·改进的灰色关联度法 | 第58-60页 |
| ·时间修正 | 第60-61页 |
| ·预测模型建立 | 第61-64页 |
| ·相似日查找流程 | 第61-62页 |
| ·预测数据准备 | 第62-63页 |
| ·基于CS-BP模型的预测 | 第63-64页 |
| ·仿真实验及实验分析 | 第64-68页 |
| ·本章小结 | 第68-70页 |
| 第8章 总结和展望 | 第70-72页 |
| ·结论 | 第70页 |
| ·展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
