| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 短期负荷预测研究现状 | 第14-17页 |
| 1.2.1 传统预测方法 | 第15页 |
| 1.2.2 智能预测方法 | 第15-17页 |
| 1.3 负荷预测的基本原则和要求 | 第17-18页 |
| 1.3.1 基本原则 | 第17页 |
| 1.3.2 基本要求 | 第17-18页 |
| 1.4 负荷预测的基本步骤 | 第18-19页 |
| 1.5 论文研究内容及结构安排 | 第19-20页 |
| 第2章 电力负荷特性及其影响因素分析 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 数据来源及处理 | 第20-23页 |
| 2.2.1 数据来源 | 第20-22页 |
| 2.2.2 异常数据处理 | 第22-23页 |
| 2.3 负荷特性分析 | 第23-26页 |
| 2.3.1 日负荷特性分析 | 第23-25页 |
| 2.3.2 周负荷特性分析 | 第25页 |
| 2.3.3 节假日负荷 | 第25-26页 |
| 2.4 影响因素 | 第26-29页 |
| 2.4.1 气象因素 | 第26-29页 |
| 2.4.2 其他因素 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 几种神经网络模型的建立与预测分析 | 第30-43页 |
| 3.1 引言 | 第30页 |
| 3.2 几种网络模型 | 第30-38页 |
| 3.2.1 BP神经网络模型 | 第31-34页 |
| 3.2.2 RBF神经网络模型 | 第34-36页 |
| 3.2.3 极限学习机模型 | 第36-37页 |
| 3.2.4 Elman神经网络模型 | 第37-38页 |
| 3.3 预测分析对比 | 第38-42页 |
| 3.3.1 训练集和测试集选取 | 第38-39页 |
| 3.3.2 数据归一化与去归一化 | 第39页 |
| 3.3.3 结果分析 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于PCA和MEA-Elman神经网络的电力负荷短期预测研究 | 第43-54页 |
| 4.1 引言 | 第43页 |
| 4.2 气象因素的PCA分析 | 第43-45页 |
| 4.3 MEA-Elman模型建立及其激活函数的改进 | 第45-50页 |
| 4.3.1 MEA算法 | 第45-47页 |
| 4.3.2 MEA-Elman优化流程 | 第47-49页 |
| 4.3.3 激活函数的改进 | 第49-50页 |
| 4.4 算例分析 | 第50-53页 |
| 4.4.1 输入变量选择 | 第50-51页 |
| 4.4.2 结果分析 | 第51-53页 |
| 4.5 结论 | 第53-54页 |
| 第5章 基于Map Reduce并行运算的电力负荷短期预测研究 | 第54-62页 |
| 5.1 引言 | 第54页 |
| 5.2 Mapreduce并行运算原理 | 第54-55页 |
| 5.3 MR-MEA-Elman并行化实现 | 第55-61页 |
| 5.3.1 模型建立 | 第55-58页 |
| 5.3.2 算例分析 | 第58-61页 |
| 5.4 结论 | 第61-62页 |
| 结论与展望 | 第62-64页 |
| 结论 | 第62-63页 |
| 展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第70页 |
