摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
1 绪论 | 第10-16页 |
1.1 研究背景和意义 | 第10页 |
1.2 电力负荷预测存在的作用和特点 | 第10-12页 |
1.2.1 电力负荷预测作用 | 第10-11页 |
1.2.2 电力负荷预测的分类 | 第11-12页 |
1.3 电力负荷预测方法研究现状 | 第12-14页 |
1.4 电力负荷的影响因素 | 第14页 |
1.5 本文所做的工作 | 第14-16页 |
2 预测单模型研究及分析 | 第16-32页 |
2.1 线性回归模型 | 第16-17页 |
2.1.1 一元线性回归模型 | 第16-17页 |
2.1.2 多元线性回归模型 | 第17页 |
2.2 指数平滑法 | 第17-20页 |
2.2.1 二次指数平滑法 | 第19页 |
2.2.2 三次指数平滑法 | 第19-20页 |
2.3 灰色系统 | 第20-25页 |
2.3.1 灰色模型理论 | 第20-24页 |
2.3.2 灰色模型方法小结 | 第24-25页 |
2.4 神经网络 | 第25-27页 |
2.4.1 BP神经网络理论 | 第25-27页 |
2.4.2 神经网络方法小结 | 第27页 |
2.5 模型精度检验 | 第27-30页 |
2.5.1 关联度检验 | 第28页 |
2.5.2 残差检验 | 第28-29页 |
2.5.3 后验差检验 | 第29-30页 |
2.6 单模型的应用效果 | 第30-31页 |
2.6.1 应用背景 | 第30页 |
2.6.2 建立模型实现预测 | 第30-31页 |
2.6.3 预测结果以及误差分析 | 第31页 |
2.7 本章小结 | 第31-32页 |
3 预测改进模型研究及分析 | 第32-42页 |
3.1 改进的灰色模型 | 第32-36页 |
3.1.1 改进的残差灰色模型 | 第32-33页 |
3.1.2 等维新息模型 | 第33页 |
3.1.3 参数修正模型 | 第33-34页 |
3.1.4 GM(1,N)模型的建立 | 第34-36页 |
3.1.5 灰色模型群的建立 | 第36页 |
3.2 改进的神经网络模型 | 第36-38页 |
3.2.1 附加动量法 | 第36-37页 |
3.2.2 自适应的学习速率 | 第37-38页 |
3.2.3 动量-自适应学习速率调整算法 | 第38页 |
3.3 改进模型的应用效果 | 第38-40页 |
3.3.1 应用背景 | 第38-40页 |
3.4 本章小结 | 第40-42页 |
4 短期电力负荷复合模型与预测实例 | 第42-48页 |
4.1 灰色模型与BP神经网络的综合 | 第42-45页 |
4.1.1 灰色模型和BP神经网络的优化 | 第42-43页 |
4.1.2 灰色BP网络模型的优化算法 | 第43-45页 |
4.2 综合模型的应用效果 | 第45-47页 |
4.2.1 建立模型,实现预测 | 第45-47页 |
4.2.2 结果分析 | 第47页 |
4.2.3 预测结论 | 第47页 |
4.3 本章小结 | 第47-48页 |
5 组合预测模型研究及分析 | 第48-62页 |
5.1 组合预测的研究方法 | 第48-49页 |
5.1.1 最优组合的预测方法 | 第48页 |
5.1.2 变权重组合预测方法 | 第48页 |
5.1.3 数学方法 | 第48-49页 |
5.2 组合预测的权重系数 | 第49-50页 |
5.3 组合预测的最优加权的模型 | 第50-53页 |
5.3.1 最优加权模型原理 | 第50-51页 |
5.3.2 基于最小二乘准则下的最优加权系数 | 第51-52页 |
5.3.3 基于最小二乘准则下最优加权模型的精度分析 | 第52-53页 |
5.4 组合预测权重的正交组合 | 第53-58页 |
5.4.1 正权组合的类型 | 第53-55页 |
5.4.2 正权组合模型误差平方和的界限 | 第55页 |
5.4.3 正权组合模型精度 | 第55-57页 |
5.4.4 改进的正权组合方法 | 第57-58页 |
5.5 组合模型的应用效果 | 第58-61页 |
5.5.1 建立模型实现预测 | 第58-59页 |
5.5.2 模型效果图 | 第59-61页 |
5.6 本章小结 | 第61-62页 |
6 结论与展望 | 第62-64页 |
攻读硕士学位期间参加的科研实践及发表的论文 | 第64-66页 |
致谢 | 第66-68页 |
参考文献 | 第68-70页 |