| 中文摘要 | 第12-14页 |
| ABSTRACT | 第14-15页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.1.1 研究背景 | 第16页 |
| 1.1.2 研究意义 | 第16-17页 |
| 1.2 国内外研究发展 | 第17-18页 |
| 1.3 主要研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 第二章 天然气负荷预测相关数据采集与预处理方法研究 | 第20-28页 |
| 2.1 天然气负荷预测周期分类研究 | 第20-21页 |
| 2.2 天然气负荷预测相关数据采集 | 第21-22页 |
| 2.3 天然气负荷预测相关数据预处理 | 第22-26页 |
| 2.3.1 非规整数据产生原因分析 | 第22-23页 |
| 2.3.2 缺失值处理 | 第23-24页 |
| 2.3.3 小波去噪处理 | 第24-25页 |
| 2.3.4 数据归一化 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 天然气负荷预测相关数据特性研究 | 第28-36页 |
| 3.1 天然气负荷数据的时间序列特性研究 | 第28-32页 |
| 3.1.1 平稳性检验 | 第28-30页 |
| 3.1.2 随机性检验 | 第30-32页 |
| 3.2 天然气负荷影响因素研究 | 第32-35页 |
| 3.2.1 温度对负荷量的影响研究 | 第32页 |
| 3.2.2 气压对负荷量的影响研究 | 第32-33页 |
| 3.2.3 其它气象条件对日负荷的影响研究 | 第33-34页 |
| 3.2.4 气象条件与天然气日负荷相关性研究 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于经验模态分解的天然气日负荷预测模型研究 | 第36-56页 |
| 4.1 ARMA(p,q)预测模型 | 第36-38页 |
| 4.1.1 AR模型 | 第36-37页 |
| 4.1.2 MA模型 | 第37页 |
| 4.1.3 ARMA模型 | 第37页 |
| 4.1.4 ARMA预测模型的建立过程 | 第37-38页 |
| 4.2 经验模态分解法 | 第38-41页 |
| 4.2.1 本征模函数 | 第39页 |
| 4.2.2 经验模态分解过程 | 第39-41页 |
| 4.3 基于经验模态分解的天然气负荷预测模型建立 | 第41-42页 |
| 4.4 实验设计与结果分析 | 第42-54页 |
| 4.4.1 实验评价指标 | 第43-44页 |
| 4.4.2 天然气负荷ARMA模型预测结果 | 第44-46页 |
| 4.4.3 天然气负荷序列EMD分解结果研究 | 第46-48页 |
| 4.4.4 基于经验模态分解的ARMA模型预测结果 | 第48-52页 |
| 4.4.5 不同预测模型结果比较 | 第52-53页 |
| 4.4.6 基于绝对误差准则的加权集成预测 | 第53-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 基于神经网络的天然气日负荷预测模型研究 | 第56-72页 |
| 5.1 BP神经网络预测算法 | 第56-59页 |
| 5.2 改进的人工鱼群优化算法 | 第59-63页 |
| 5.2.1 人工鱼群算法原理 | 第59-60页 |
| 5.2.2 遗传算法 | 第60-61页 |
| 5.2.3 文化算法 | 第61-62页 |
| 5.2.4 基于文化算法框架的改进人工鱼群算法 | 第62-63页 |
| 5.3 基于改进人工鱼群算法优化的BP神经网络预测模型 | 第63-65页 |
| 5.4 实验设计与结果分析 | 第65-70页 |
| 5.4.1 输入变量的选择 | 第66页 |
| 5.4.2 基于改进人工鱼群算法优化的BP神经网络预测模型设计 | 第66-67页 |
| 5.4.3 实验结果分析 | 第67-70页 |
| 5.5 本文中两种预测模型对比研究 | 第70页 |
| 5.6 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72页 |
| 6.2 展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 攻读学位期间取得的研究成果 | 第78-80页 |
| 致谢 | 第80-82页 |
| 个人简况及联系方式 | 第82-83页 |
