| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 课题研究现状 | 第10-14页 |
| 1.2.1 短期电力负荷预测的发展与现状 | 第10-11页 |
| 1.2.2 粗神经网络的发展与现状 | 第11-14页 |
| 1.3 本文的主要工作及章节安排 | 第14-16页 |
| 第二章 相关概念与基础知识 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 粗集理论 | 第16-17页 |
| 2.3 神经网络概述 | 第17-20页 |
| 2.4 小波神经网络 | 第20-22页 |
| 2.4.1 小波分析基本理论 | 第20-22页 |
| 2.4.2 小波神经网络模型 | 第22页 |
| 2.5 粗神经元 | 第22-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 基于粗RBF神经网络的短期负荷预测 | 第25-47页 |
| 3.1 引言 | 第25页 |
| 3.2 RBF神经网络结构与学习 | 第25-28页 |
| 3.3 粗集与RBF神经网络结合 | 第28-29页 |
| 3.4 遗传算法优化粗RBF神经网络 | 第29-33页 |
| 3.4.1 遗传算法基本原理 | 第30-31页 |
| 3.4.2 遗传算法优化粗RBF | 第31-33页 |
| 3.5 基于粗RBF神经网络的短期负荷预测模型 | 第33-40页 |
| 3.5.1 短期负荷特性分析 | 第33-34页 |
| 3.5.2 预测模型结构 | 第34-37页 |
| 3.5.3 负荷数据预处理 | 第37-38页 |
| 3.5.4 负荷预测流程 | 第38-40页 |
| 3.6 仿真分析 | 第40-45页 |
| 3.6.1 预测精度评价指标 | 第40页 |
| 3.6.2 相关参数设置 | 第40-41页 |
| 3.6.3 仿真结果与分析 | 第41-45页 |
| 3.7 本章小结 | 第45-47页 |
| 第四章 基于粗小波神经网络的短期负荷预测 | 第47-61页 |
| 4.1 引言 | 第47页 |
| 4.2 粗小波神经网络 | 第47-50页 |
| 4.2.1 小波神经网络结构 | 第47-48页 |
| 4.2.2 粗集与小波神经网络结合 | 第48-50页 |
| 4.3 改进的萤火虫算法 | 第50-53页 |
| 4.3.1 萤火虫算法基本原理 | 第50-52页 |
| 4.3.2 萤火虫算法改进 | 第52-53页 |
| 4.4 改进的萤火虫算法训练粗小波神经网络的短期负荷预测 | 第53-54页 |
| 4.5 仿真分析 | 第54-59页 |
| 4.5.1 相关参数设置 | 第54-55页 |
| 4.5.2 仿真结果与分析 | 第55-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 论文总结 | 第61-62页 |
| 5.2 论文展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第67-68页 |
| 致谢 | 第68页 |