| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第14-20页 |
| 1.1 课题研究背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1. 电力负荷数据特征提取方法综述 | 第15-16页 |
| 1.2.2. 电力负荷预测方法综述 | 第16-18页 |
| 1.3 本文的主要工作和章节安排 | 第18-20页 |
| 2 基于K线技术的电力负荷数据特征提取方法 | 第20-32页 |
| 2.1 电力负荷数据预处理技术 | 第20-23页 |
| 2.1.1. 异常电力负荷数据的监测和处理 | 第20页 |
| 2.1.2. 缺失电力负荷数据的处理 | 第20-22页 |
| 2.1.3. 电力负荷数据的归一化方法 | 第22-23页 |
| 2.2 基于传统电力负荷指标进行特征提取的局限性 | 第23-24页 |
| 2.3 基于K线理论的电力负荷指标体系建立 | 第24-31页 |
| 2.3.1. 金融二级市场中的技术分析 | 第24-25页 |
| 2.3.2. 电力负荷曲线的时序化重构 | 第25-27页 |
| 2.3.3. 未成熟随机值RSV与随机指标KDJ | 第27-28页 |
| 2.3.4. 指数移动平均EMA指数平滑异同移动平均线MACD | 第28-30页 |
| 2.3.5. KDJ和MACD在负荷分析中的应用 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 基于深度神经网络的电力负荷预测模型 | 第32-42页 |
| 3.1 深度神经网络的基本理论 | 第32-35页 |
| 3.1.1. 自动编码器 | 第32页 |
| 3.1.2. BP神经网络 | 第32-34页 |
| 3.1.3. 深度神经网络的正则化方法 | 第34-35页 |
| 3.2 基于深度神经网络的预测模型 | 第35-37页 |
| 3.2.1. 传统的负荷指标体系 | 第35页 |
| 3.2.2. 趋势指标与特征向量 | 第35-37页 |
| 3.3 预测结果分析 | 第37-40页 |
| 3.3.1. 基于趋势指标的电力负荷曲线时序化 | 第37-38页 |
| 3.3.2. 深度神经网络预测 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 4 基于负荷动态特性的预测结果偏差预警 | 第42-63页 |
| 4.1 基于PAA方法的电力负荷数据的降维技术 | 第42-43页 |
| 4.2 基于K值自适应k-means算法的聚类分析 | 第43-46页 |
| 4.3 基于t-SNE的聚类可视化方法 | 第46-47页 |
| 4.4 隐马尔科夫模型的基本理论 | 第47-49页 |
| 4.5 基于HMM的负荷动态行为的量化建模 | 第49-50页 |
| 4.5.1. 负荷数据的离散化处理 | 第49页 |
| 4.5.2. 基于BAUM-WELCH算法的模型参数训练 | 第49-50页 |
| 4.6 基于前后向算法的偏差预警方法 | 第50-52页 |
| 4.7 算例分析 | 第52-62页 |
| 4.7.1. 数据描述 | 第52页 |
| 4.7.2. 聚类结果分析 | 第52-55页 |
| 4.7.3. 动态建模结果分析 | 第55-58页 |
| 4.7.4. 偏差预警结果分析 | 第58-62页 |
| 4.8 本章小结 | 第62-63页 |
| 5 结论与展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间发表的学术论文 | 第71页 |
