基于混沌鲸鱼群优化人工神经网络的短期电力负荷预测
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文主要研究内容和技术路线 | 第14-16页 |
| 第2章 电力负荷预测概述 | 第16-22页 |
| 2.1 电力负荷概念及分类 | 第16-17页 |
| 2.2 电力负荷的特性 | 第17-18页 |
| 2.3 电力负荷预测概述及分类 | 第18-19页 |
| 2.4 电力负荷预测特点 | 第19-20页 |
| 2.5 电力负荷预测影响因素 | 第20页 |
| 2.6 电力负荷预测误差分析 | 第20-21页 |
| 2.7 本章小结 | 第21-22页 |
| 第3章 电力负荷预测基础模型 | 第22-35页 |
| 3.1 电力负荷影响因素分析模型 | 第22-26页 |
| 3.1.1 因子分析法的基本原理与步骤 | 第22-25页 |
| 3.1.2 偏自相关函数 | 第25-26页 |
| 3.2 电力负荷预测方法模型 | 第26-34页 |
| 3.2.1 基于BP神经网络的预测模型 | 第26-29页 |
| 3.2.2 基于最小二乘支持向量机的预测模型 | 第29-32页 |
| 3.2.3 基于极限学习机的预测模型 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第4章 改进人工神经网络 | 第35-45页 |
| 4.1 鲸鱼群优化算法 | 第35-38页 |
| 4.2 混沌优化鲸鱼群算法 | 第38-40页 |
| 4.2.1 混沌理论 | 第38页 |
| 4.2.2 混沌鲸鱼群算法 | 第38-40页 |
| 4.3 混沌鲸鱼群算法优化BP神经网络 | 第40-41页 |
| 4.4 混沌鲸鱼群算法优化LSSVM | 第41-43页 |
| 4.5 混沌鲸鱼群算法优化ELM | 第43-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第5章 实例分析 | 第45-65页 |
| 5.1 河北省衡水市市电力负荷简介 | 第45-46页 |
| 5.2 基于因子分析的影响因素降维处理 | 第46-51页 |
| 5.2.1 原始数据相关描述 | 第46-47页 |
| 5.2.2 原始指标的因子分析 | 第47-51页 |
| 5.3 偏自相关函数分析结果 | 第51-52页 |
| 5.4 衡水市电力负荷预测结果与分析 | 第52-64页 |
| 5.4.1 预测结果模型对比体系 | 第52-53页 |
| 5.4.2 预测模型结果及分析 | 第53-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第6章 研究成果和结论 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69-73页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 作者简介 | 第75页 |
