智能电网时序数据短期预测分析研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 时序数据研究现状 | 第10-11页 |
| 1.2.2 短期负荷预测研究现状 | 第11-15页 |
| 1.3 论文主要工作与内容安排 | 第15-17页 |
| 第二章 课题相关技术研究 | 第17-31页 |
| 2.1 时序数据分析技术 | 第17-18页 |
| 2.1.1 时序数据预处理的主要技术 | 第17页 |
| 2.1.2 时序数据分析模型 | 第17-18页 |
| 2.2 负荷预测 | 第18-22页 |
| 2.2.1 电力负荷的构成及特点 | 第19-20页 |
| 2.2.2 负荷预测特性分析 | 第20-21页 |
| 2.2.3 负荷预测的步骤 | 第21-22页 |
| 2.3 非参数回归模型 | 第22-23页 |
| 2.3.1 非参数回归模型的优点 | 第22-23页 |
| 2.3.2 非参数回归的主要因素 | 第23页 |
| 2.4 神经网络预测算法 | 第23-28页 |
| 2.4.1 人工神经网络模型 | 第24-25页 |
| 2.4.2 人工神经网络模型分类 | 第25-26页 |
| 2.4.3 BP神经网络 | 第26-28页 |
| 2.5 模糊聚类分析 | 第28-31页 |
| 第三章 基于聚类分析的小波非参数回归负荷预测模型 | 第31-46页 |
| 3.1 K近邻非参数回归算法 | 第31-33页 |
| 3.1.1 样本数据库的生成 | 第31-32页 |
| 3.1.2 状态向量的定义 | 第32页 |
| 3.1.3 K近邻搜索方法 | 第32页 |
| 3.1.4 预测算法 | 第32-33页 |
| 3.2 基于小波变换改进相关性分析方法 | 第33页 |
| 3.3 基于FCM改进K近邻搜索方法 | 第33-35页 |
| 3.3.1 FCM聚类 | 第34页 |
| 3.3.2 FCM改进K邻近算法步骤 | 第34-35页 |
| 3.4 非参数小波回归预测模型 | 第35页 |
| 3.5 基于聚类的小波非参数回归预测的流程 | 第35-37页 |
| 3.6 模型试验与结果分析 | 第37-39页 |
| 3.6.1 数据样本的来源及特征 | 第37页 |
| 3.6.2 预测结果分析 | 第37-39页 |
| 3.7 预测精度比较 | 第39-42页 |
| 3.8 考虑天气与日期因素的回归负荷预测模型 | 第42-44页 |
| 3.8.1 数据预处理 | 第42-43页 |
| 3.8.2 相符度计算与模型构建 | 第43-44页 |
| 3.9 本章小结 | 第44-46页 |
| 第四章 基于用户行为的小波神经网络负荷预测模型 | 第46-56页 |
| 4.1 基于用户行为相似性的用户聚类 | 第46-47页 |
| 4.2 小波神经网络 | 第47-49页 |
| 4.3 基于FCM的小波神经网络负荷预测 | 第49-54页 |
| 4.3.1 某地区负荷曲线分析 | 第50-51页 |
| 4.3.2 数据预处理 | 第51-52页 |
| 4.3.3 基于FCM对用户进行聚类 | 第52-53页 |
| 4.3.4 采用小波神经网络预测 | 第53-54页 |
| 4.4 预测结果分析 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 结论与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第61-62页 |
| 致谢 | 第62页 |
