基于多重时间序列与深度循环网络模型的短期电力负载预测
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究背景及意义 | 第11-15页 |
| 1.1.1 研究背景 | 第11-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 主要研究内容 | 第15-20页 |
| 1.2.1 电力负载预测的含义 | 第15页 |
| 1.2.2 电力负载预测的分类及特性 | 第15-17页 |
| 1.2.3 电力负载预测研究现状 | 第17-19页 |
| 1.2.4 拟研究的问题及本文解决思路 | 第19页 |
| 1.2.5 主要贡献 | 第19-20页 |
| 1.3 本文组织 | 第20-21页 |
| 1.4 本章小结 | 第21-23页 |
| 第二章 相关研究 | 第23-29页 |
| 2.1 基于数学统计方法 | 第23-24页 |
| 2.2 基于机器学习方法 | 第24-26页 |
| 2.3 基于深度学习方法 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于多重时间序列的深度循环网络模型 | 第29-41页 |
| 3.1 研究方法架构 | 第29-30页 |
| 3.2 多重时间序列数据生成 | 第30-33页 |
| 3.2.1 短期序列 | 第30-31页 |
| 3.2.2 周期性序列 | 第31-32页 |
| 3.2.3 长短期序列 | 第32页 |
| 3.2.4 交叉长短期序列 | 第32-33页 |
| 3.3 深度循环神经网络模型 | 第33-40页 |
| 3.3.1 简单循环神经网络 | 第34-36页 |
| 3.3.2 长短期记忆网络 | 第36-38页 |
| 3.3.3 门限循环单元网络 | 第38-40页 |
| 3.4 RMSProp优化器 | 第40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 短期电力负载预测的实验结果及分析 | 第41-61页 |
| 4.1 数据集描述 | 第41-42页 |
| 4.2 评估方法 | 第42-43页 |
| 4.3 单时间序列结果 | 第43-49页 |
| 4.3.1 短期序列结果 | 第44-45页 |
| 4.3.2 周期序列结果 | 第45-46页 |
| 4.3.3 长短期序列结果 | 第46-47页 |
| 4.3.4 交叉长短期序列结果 | 第47-49页 |
| 4.4 多重时间序列组合结果 | 第49-57页 |
| 4.4.1 结合短期序列与周期性序列 | 第49-50页 |
| 4.4.2 结合长短期序列与交叉长短期序列 | 第50-52页 |
| 4.4.3 结合短期序列与长短期序列 | 第52-53页 |
| 4.4.4 结合三种序列结果 | 第53-54页 |
| 4.4.5 结合四种序列结果 | 第54-57页 |
| 4.5 与其他方法的比较及其他评估指标结果 | 第57-59页 |
| 4.6 讨论与分析 | 第59-60页 |
| 4.8 本章小结 | 第60-61页 |
| 第五章 结论及未来研究工作 | 第61-65页 |
| 5.1 结论 | 第61页 |
| 5.2 本文存在的不足 | 第61-62页 |
| 5.3 未来研究工作 | 第62-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间完成的科研成果 | 第69-71页 |
| 致谢 | 第71页 |
