电力负荷管理系统中的短期负荷预测技术的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-15页 |
| ·电力负荷管理概述 | 第9页 |
| ·电力系统负荷管理中的短期负荷预测 | 第9-14页 |
| ·电力系统负荷预测的步骤 | 第10-11页 |
| ·国内外短期负荷预测现状 | 第11-14页 |
| ·论文的主要工作及意义 | 第14-15页 |
| 第2章 电力负荷管理系统 | 第15-31页 |
| ·SCADA系统组成 | 第15-16页 |
| ·系统结构 | 第15-16页 |
| ·系统功能 | 第16页 |
| ·监控中心软件 | 第16-17页 |
| ·负荷管理终端(RTU) | 第17-31页 |
| ·负荷管理终端的工作原理 | 第17-18页 |
| ·性能参数指标 | 第18-20页 |
| ·功能 | 第20-31页 |
| 第3章 基于BP神经网络的短期负荷预测 | 第31-47页 |
| ·人工神经网络的概述 | 第31-33页 |
| ·人工神经网络的基本概念 | 第31-32页 |
| ·人工神经网络的基本特性 | 第32-33页 |
| ·BP神经网络 | 第33-40页 |
| ·BP神经网络概述 | 第33页 |
| ·BP网络数学模型的建立 | 第33-35页 |
| ·BP算法原理分析 | 第35-37页 |
| ·BP算法流程图 | 第37-38页 |
| ·标准BP算法的缺陷及改进 | 第38-40页 |
| ·算例分析 | 第40-47页 |
| ·神经网络隐含层节点数 | 第40-41页 |
| ·BP神经网络的拟合情况分析 | 第41-43页 |
| ·BP神经网络用于简单情况下的负荷预测 | 第43-47页 |
| 第4章 基于PSO-BP神经网络的短期负荷预测 | 第47-67页 |
| ·粒子群优化算法 | 第47-51页 |
| ·粒子群优化算法的基本原理 | 第47-48页 |
| ·粒子群优化算法的特点 | 第48-49页 |
| ·粒子群优化算法的改进 | 第49-51页 |
| ·粒子群优化的BP神经网络 | 第51-52页 |
| ·负荷预测中的影响因素分析 | 第52-56页 |
| ·经济因素 | 第52页 |
| ·时间因素 | 第52-54页 |
| ·天气因素 | 第54-55页 |
| ·负荷的其他影响因素 | 第55-56页 |
| ·数据预处理 | 第56-57页 |
| ·算例分析 | 第57-67页 |
| ·正常日负荷预测 | 第57-65页 |
| ·节假日负荷预测 | 第65-67页 |
| 第5章 结论 | 第67-69页 |
| ·结论 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
