| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 短期负荷预测方法 | 第11-14页 |
| 1.2.2 国内外研究现状 | 第14-16页 |
| 1.3 课题研究目的与意义 | 第16-17页 |
| 1.4 研究内容 | 第17-19页 |
| 第2章 数据预处理与负荷特性分析 | 第19-42页 |
| 2.1 数据缺失处理 | 第19-22页 |
| 2.2 数据奇异值的处理 | 第22-25页 |
| 2.3 数据归一化 | 第25页 |
| 2.4 电力负荷特性分析 | 第25-33页 |
| 2.4.1 负荷的日周期性 | 第26-29页 |
| 2.4.2 负荷的周周期性 | 第29-30页 |
| 2.4.3 负荷的年周期性 | 第30-31页 |
| 2.4.4 负荷的节假日周期性 | 第31-33页 |
| 2.5 短期电力负荷影响因素分析 | 第33-40页 |
| 2.5.1 温度 | 第34-36页 |
| 2.5.2 降雨 | 第36-38页 |
| 2.5.3 人体舒适度的分析 | 第38-39页 |
| 2.5.4 其他因素 | 第39-40页 |
| 2.6 特征量指标的量化 | 第40-41页 |
| 2.7 本章小结 | 第41-42页 |
| 第3章 训练数据的选取和处理 | 第42-56页 |
| 3.1 相似日的选取 | 第42-50页 |
| 3.1.1 K-means聚类 | 第42-44页 |
| 3.1.2 层次聚类 | 第44-46页 |
| 3.1.3 BWP指标最优K值的自适应K-means聚类 | 第46-50页 |
| 3.2 数据集的降维 | 第50-54页 |
| 3.2.1 主成分分析 | 第51-52页 |
| 3.2.2 核主成分分析 | 第52-54页 |
| 3.2.3 负荷数据的KPCA降维 | 第54页 |
| 3.3 本章小结 | 第54-56页 |
| 第4章 基于深度置信网络的负荷预测 | 第56-83页 |
| 4.1 BP神经网络 | 第56-60页 |
| 4.1.1 BP神经网络基本概念 | 第56-59页 |
| 4.1.2 BP神经网络参数设置 | 第59-60页 |
| 4.2 BP神经网络的改进 | 第60-63页 |
| 4.2.1 学习率的改进 | 第60-61页 |
| 4.2.2 基于遗传算法的BP神经网络改进 | 第61-63页 |
| 4.3 基于改进BP神经网络的预测模型 | 第63-65页 |
| 4.4 改进BP神经网络算例仿真与分析 | 第65-72页 |
| 4.4.1 训练样本集的处理 | 第65-67页 |
| 4.4.2 预测结果 | 第67-69页 |
| 4.4.3 预测结果评价指标 | 第69-72页 |
| 4.5 深度置信网络基本原理 | 第72-77页 |
| 4.5.1 Boltzmann机 | 第72-73页 |
| 4.5.2 受限Boltzmann机(RBM) | 第73-74页 |
| 4.5.3 RBM训练算法 | 第74-75页 |
| 4.5.4 DBN的结构 | 第75-77页 |
| 4.6 DBN最优结构的确定 | 第77-79页 |
| 4.6.1 DBN网络深度的确定 | 第77-78页 |
| 4.6.2 隐含层神经元数的确定 | 第78-79页 |
| 4.7 DBN算例仿真与分析 | 第79-82页 |
| 4.8 本章小结 | 第82-83页 |
| 第5章 负荷预测软件设计与开发 | 第83-93页 |
| 5.1 软件的开发工具和思路 | 第83-84页 |
| 5.2 数据库的设计 | 第84-87页 |
| 5.2.1 数据库的选择 | 第84-85页 |
| 5.2.2 数据库表的设计 | 第85-87页 |
| 5.3 软件的基本界面与功能 | 第87-92页 |
| 5.3.1 登陆界面 | 第87-88页 |
| 5.3.2 软件主界面 | 第88-89页 |
| 5.3.3 负荷和气象数据管理界面 | 第89-90页 |
| 5.3.4 负荷数据分析界面 | 第90-91页 |
| 5.3.5 负荷预测界面 | 第91-92页 |
| 5.4 本章小结 | 第92-93页 |
| 第6章 总结与展望 | 第93-95页 |
| 6.1 研究总结 | 第93页 |
| 6.2 未来展望 | 第93-95页 |
| 致谢 | 第95-96页 |
| 参考文献 | 第96-103页 |
| 攻读硕士学位期间发表的学术论文 | 第103页 |