考虑气象因素的短期电力负荷智能预测研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-13页 |
| 1.3 课题研究的目的与意义 | 第13-14页 |
| 1.4 研究内容 | 第14-15页 |
| 第2章 电力负荷预测分析 | 第15-27页 |
| 2.1 负荷特性分析 | 第15-19页 |
| 2.1.1 年负荷特性分析 | 第15-16页 |
| 2.1.2 周负荷特性分析 | 第16-17页 |
| 2.1.3 日负荷特性分析 | 第17-19页 |
| 2.2 影响短期负荷特性的主要因素 | 第19-23页 |
| 2.2.1 温度和体感温度 | 第19-20页 |
| 2.2.2 降雨 | 第20-21页 |
| 2.2.3 湿度 | 第21页 |
| 2.2.4 其他影响负荷的要素 | 第21-23页 |
| 2.3 负荷数据预处理 | 第23-26页 |
| 2.3.1 数据来源 | 第23页 |
| 2.3.2 异常数据的分类 | 第23-24页 |
| 2.3.3 异常数据的修正与还原 | 第24-25页 |
| 2.3.4 缺失数据的填补 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 负荷与气象因素相关性分析 | 第27-41页 |
| 3.1 气象预报温度数据的处理 | 第27-30页 |
| 3.2 气象因素与负荷相关性分析 | 第30-36页 |
| 3.2.1 相关分析性概述 | 第30-31页 |
| 3.2.2 灰色关联度 | 第31-32页 |
| 3.2.3 温度曲线与负荷曲线关联性分析 | 第32-35页 |
| 3.2.4 降雨的相关性分析 | 第35-36页 |
| 3.3 基于气象因素的相似日选取 | 第36-40页 |
| 3.3.1 相似系数计算 | 第36-37页 |
| 3.3.2 结合气象因素的短期负荷相似日选取 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于EMD的神经网络短期负荷预测 | 第41-59页 |
| 4.1 BP神经网络 | 第41-44页 |
| 4.1.1 BP神经网络结构 | 第41-42页 |
| 4.1.2 BP网络的原理与学习算法 | 第42-44页 |
| 4.2 经验模态分解理论 | 第44-47页 |
| 4.2.1 EMD的基本原理 | 第44页 |
| 4.2.2 EMD的基本算法 | 第44-47页 |
| 4.3 基于EMD-BP短期电力负荷预测 | 第47-58页 |
| 4.3.1 基于EMD-BP短期电力负荷预测模型 | 第47-48页 |
| 4.3.2 算例仿真分析 | 第48-56页 |
| 4.3.3 对休息日的负荷预测 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 基于细菌觅食优化的神经网络短期负荷预测 | 第59-76页 |
| 5.1 细菌觅食优化算法 | 第59-62页 |
| 5.2 基于细菌觅食优化的BP神经网络设计 | 第62-64页 |
| 5.3 基于BFO-BP的短期电力负荷预测 | 第64-68页 |
| 5.3.1 算例仿真分析 | 第64-66页 |
| 5.3.2 对休息日的负荷预测 | 第66-68页 |
| 5.4 考虑实时气象因素的短期负荷预测 | 第68-75页 |
| 5.4.1 不考虑气象因素的负荷预测分析 | 第68-70页 |
| 5.4.2 考虑实时气象因素的短期负荷预测 | 第70-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第6章 结论 | 第76-78页 |
| 6.1 研究总结 | 第76-77页 |
| 6.2 未来展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 附录A | 第82-90页 |
