| 摘要 | 第1-12页 |
| ABSTRACT | 第12-14页 |
| 第一章 绪论 | 第14-23页 |
| ·电力系统负荷预测 | 第14-16页 |
| ·配网系统负荷预测的意义 | 第14-15页 |
| ·配网系统负荷预测的分类 | 第15-16页 |
| ·负荷预测的特点及原理 | 第16-18页 |
| ·负荷预测的特点 | 第16-17页 |
| ·负荷预测的原理 | 第17-18页 |
| ·国内外的研究现状 | 第18-22页 |
| ·经典预测技术 | 第18-19页 |
| ·传统负荷预测技术 | 第19-21页 |
| ·智能预测技术 | 第21-22页 |
| ·本文主要工作 | 第22-23页 |
| 第二章 电力系统负荷分析及预测技术 | 第23-35页 |
| ·电力系统负荷的构成与负荷特性 | 第23页 |
| ·负荷周期性曲线 | 第23-28页 |
| ·日负荷曲线 | 第23-25页 |
| ·周负荷曲线 | 第25-26页 |
| ·月负荷曲线 | 第26-28页 |
| ·负荷曲线的连续性与波动性 | 第28页 |
| ·电力负荷预测基础知识 | 第28-31页 |
| ·影响负荷的因素 | 第28-30页 |
| ·负荷预测的基本程序 | 第30页 |
| ·负荷预测的基本要求 | 第30-31页 |
| ·负荷预测的误差 | 第31-33页 |
| ·误差产生的原因 | 第31-32页 |
| ·误差指标分类及标准 | 第32-33页 |
| ·短期负荷预测的特性分析 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第三章 负荷预测数据处理 | 第35-42页 |
| ·负荷坏数据查找 | 第35-36页 |
| ·原始数据的预处理 | 第36-39页 |
| ·实例分析 | 第39-41页 |
| ·数据处理流程步骤 | 第39页 |
| ·算例分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第四章 基于MATLAB神经网络工具箱的短期负荷预测 | 第42-59页 |
| ·神经网络理论概述 | 第42-44页 |
| ·BP神经网络理论 | 第44-50页 |
| ·BP神经网络的原理 | 第45-46页 |
| ·BP神经网络算法 | 第46-48页 |
| ·BP神经网络算法的改进 | 第48-49页 |
| ·BP神经网络的设计 | 第49-50页 |
| ·ELman神经网络 | 第50-52页 |
| ·ELman神经网络的训练 | 第50-52页 |
| ·ELman神经网络预测流程 | 第52页 |
| ·算例仿真分析 | 第52-58页 |
| ·短期负荷预测系统建模 | 第52-55页 |
| ·基于MATLAB实现短期电力负荷预测 | 第55-56页 |
| ·预测结果比较 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 VPSO-ELman神经网络负荷预测 | 第59-80页 |
| ·VPSO算法介绍 | 第59-64页 |
| ·PSO算法介绍 | 第59-60页 |
| ·粒子群算法数学描述 | 第60-62页 |
| ·粒子群优化算法参数设置 | 第62-63页 |
| ·粒子群优化算法步骤 | 第63-64页 |
| ·变异粒子群优化算法 | 第64-66页 |
| ·VPSO算法介绍 | 第65-66页 |
| ·VPSO优化算法实现步骤 | 第66页 |
| ·基于VPSO算法的ELman神经网络 | 第66-70页 |
| ·VPSO-ELman神经网络学习算法介绍 | 第66-68页 |
| ·VPSO-ELman神经网络算法流程 | 第68-70页 |
| ·实例分析 | 第70-79页 |
| ·仿真模型建立 | 第70-71页 |
| ·结果分析 | 第71-79页 |
| ·本章小结 | 第79-80页 |
| 第六章 结论与展望 | 第80-82页 |
| ·研究结论 | 第80-81页 |
| ·预测工作的展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-88页 |
| 攻读学位期间发表的学术论文目录 | 第88-89页 |
| 学位论文评阅及答辩情况表 | 第89页 |