摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第11-16页 |
1.1 课题背景及研究的目的和意义 | 第11-12页 |
1.2 国内外研究动态 | 第12-14页 |
1.2.1 国外研究现状 | 第12-13页 |
1.2.2 国内研究现状 | 第13-14页 |
1.3 本文研究内容 | 第14-16页 |
第2章 秦皇岛电网运行情况概述 | 第16-27页 |
2.1 秦皇岛地理位置及地区产业结构特点 | 第16-18页 |
2.2 秦皇岛总负荷曲线特点 | 第18-20页 |
2.2.1 年负荷曲线特性 | 第18-19页 |
2.2.2 周负荷曲线特性 | 第19-20页 |
2.2.3 日负荷曲线特性 | 第20页 |
2.3 秦皇岛典型分类负荷分析 | 第20-25页 |
2.3.1 三班制连续生产负荷曲线 | 第21-22页 |
2.3.2 日班制负荷曲线特点 | 第22页 |
2.3.3 商业负荷曲线特点 | 第22-23页 |
2.3.4 电气化铁路负荷曲线特点 | 第23-24页 |
2.3.5 居民用电负荷曲线特点 | 第24-25页 |
2.3.6 随机波动负荷曲线特点 | 第25页 |
2.4 电网调度与电力负荷预测 | 第25-26页 |
2.4.1 电网调度业务简介 | 第25页 |
2.4.2 电力负荷预测对电网调度的意义 | 第25-26页 |
2.5 本章小结 | 第26-27页 |
第3章 电力负荷的预测特性与其影响因素分析 | 第27-38页 |
3.1 电力负荷特性分析 | 第27-28页 |
3.1.1 城市民用负荷 | 第27页 |
3.1.2 商业负荷 | 第27页 |
3.1.3 工业负荷 | 第27-28页 |
3.1.4 农村负荷 | 第28页 |
3.2 电力负荷预测概述 | 第28-31页 |
3.2.1 电力负荷预测的概念 | 第28页 |
3.2.2 电力负荷预测的步骤 | 第28-29页 |
3.2.3 电力负荷预测的特点 | 第29-31页 |
3.2.4 负荷预测误差分析 | 第31页 |
3.3 电力负荷预测影响因素分析 | 第31-37页 |
3.3.1 日期类型 | 第32-33页 |
3.3.2 夏季气象因素 | 第33-34页 |
3.3.3 夏季气象因素的多口累积效应对电力负荷的影响 | 第34-35页 |
3.3.4 其他因素 | 第35-37页 |
3.4 本章小结 | 第37-38页 |
第4章 基于人体舒适度指数和粒子群算法的相似日选择 | 第38-52页 |
4.1 人体舒适度指数对电力负荷的影响 | 第39-42页 |
4.1.1 人体舒适度指数 | 第39-40页 |
4.1.2 人体舒适度指数与电力负荷的关联性分析 | 第40-42页 |
4.2 数据处理 | 第42-43页 |
4.2.1 异常数据的处理 | 第42-43页 |
4.2.2 数据归一化和反归一化处理 | 第43页 |
4.3 粒子群算法 | 第43-46页 |
4.3.1 粒子群算法原理 | 第43-45页 |
4.3.2 粒子群算法的优化 | 第45-46页 |
4.3.3 适应值函数 | 第46页 |
4.4 相似日评价函数 | 第46-48页 |
4.5 算例分析 | 第48-51页 |
4.6 本章小结 | 第51-52页 |
第5章 基于人工神经网络的电力负荷预测 | 第52-72页 |
5.1 人工神经网络概述 | 第52-54页 |
5.1.1 人工神经网络的发展 | 第52-53页 |
5.1.2 人工神经网络的结构 | 第53-54页 |
5.2 BP神经网络 | 第54-61页 |
5.2.1 标准BP算法 | 第54-56页 |
5.2.2 标准BP算法存在的问题 | 第56-58页 |
5.2.3 标准BP算法的改进 | 第58-61页 |
5.3 基于相似日选取的BP神经网络结构设计 | 第61-64页 |
5.3.1 拓扑结构的确定 | 第61-62页 |
5.3.2 初始权值的选取 | 第62页 |
5.3.3 网络学习参数的选取 | 第62-63页 |
5.3.4 模型结构 | 第63-64页 |
5.4 秦皇岛电网夏季日负荷预测实例及分析 | 第64-67页 |
5.5 电网运行概况及建议 | 第67-71页 |
5.5.1 秦皇岛2017年夏季电网运行概况 | 第67-68页 |
5.5.2 电网运行建议 | 第68-70页 |
5.5.3 电力营销建议 | 第70-71页 |
5.6 本章小结 | 第71-72页 |
第6章 研究成果和结论 | 第72-74页 |
参考文献 | 第74-77页 |
致谢 | 第77-78页 |
作者简介 | 第78页 |