基于相似日选取的小波极限学习机短期负荷预测模型研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-18页 |
| 1.1 电力负荷预测概述 | 第11-12页 |
| 1.1.1 电力负荷预测的研究背景及意义 | 第11页 |
| 1.1.2 电力负荷预测的分类 | 第11-12页 |
| 1.2 短期负荷预测的国内外研究现状 | 第12-15页 |
| 1.2.1 经典预测方法 | 第12-13页 |
| 1.2.2 智能预测方法 | 第13-15页 |
| 1.2.3 短期负荷预测的发展趋势 | 第15页 |
| 1.3 本文的研究内容及章节安排 | 第15-18页 |
| 2 短期负荷特性分析及数据预处理 | 第18-26页 |
| 2.1 负荷特性分析 | 第18-20页 |
| 2.1.1 日负荷特性 | 第18-19页 |
| 2.1.2 周负荷特性 | 第19-20页 |
| 2.2 电力负荷的影响因素 | 第20-23页 |
| 2.2.1 气象因素对负荷的影响 | 第20-22页 |
| 2.2.1.1 温度对负荷的影响 | 第20-22页 |
| 2.2.1.2 降雨对负荷的影响 | 第22页 |
| 2.2.2 其他因素对负荷的影响 | 第22-23页 |
| 2.3 数据预处理 | 第23-25页 |
| 2.3.1 异常数据的成因 | 第23页 |
| 2.3.2 异常数据的辨识处理 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 负荷预测相似日的选择 | 第26-35页 |
| 3.1 相似日法 | 第26-27页 |
| 3.2 模糊聚类选取相似日 | 第27-32页 |
| 3.2.1 模糊聚类分析概述 | 第27页 |
| 3.2.2 模糊相似矩阵 | 第27-30页 |
| 3.2.3 短期负荷的影响因素及其量化 | 第30-32页 |
| 3.2.3.1 星期类型的量化 | 第30-31页 |
| 3.2.3.2 天气类型的量化 | 第31页 |
| 3.2.3.3 气温的量化 | 第31-32页 |
| 3.2.3.4 日期差距的量化 | 第32页 |
| 3.2.4 模糊聚类选取相似日流程 | 第32页 |
| 3.3 算例分析 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于相似日BP神经网络的电力负荷预测 | 第35-47页 |
| 4.1 神经网络构成 | 第35-38页 |
| 4.1.1 人工神经元 | 第35-36页 |
| 4.1.2 神经元的激活函数 | 第36-38页 |
| 4.2 神经网络的结构 | 第38-40页 |
| 4.2.1 反馈神经网络 | 第39页 |
| 4.2.2 前馈神经网络 | 第39-40页 |
| 4.3 BP神经网络 | 第40-44页 |
| 4.3.1 BP神经网络结构 | 第40页 |
| 4.3.2 BP神经网络的学习算法 | 第40-43页 |
| 4.3.2.1 梯度下降法 | 第41页 |
| 4.3.2.2 权值阈值调整原理 | 第41-43页 |
| 4.3.2.3 BP网络学习步骤 | 第43页 |
| 4.3.3 隐层节点数的选取 | 第43-44页 |
| 4.4 基于BP网络的短期负荷预测 | 第44-46页 |
| 4.4.1 BP模型与相似日BP模型 | 第44页 |
| 4.4.2 结果分析 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 基于相似日W-ELM的短期负荷预测 | 第47-65页 |
| 5.1 极限学习机 | 第47-50页 |
| 5.1.1 极限学习机概述 | 第47页 |
| 5.1.2 极限学习机原理 | 第47-50页 |
| 5.1.3 极限学习机的学习过程 | 第50页 |
| 5.2 小波变换理论 | 第50-56页 |
| 5.2.1 小波函数 | 第51-52页 |
| 5.2.2 连续小波变换 | 第52-53页 |
| 5.2.3 离散小波变换 | 第53页 |
| 5.2.4 多分辨率分析和Mallat算法 | 第53-56页 |
| 5.3 基于相似日W-ELM的负荷预测模型 | 第56-64页 |
| 5.3.1 极限学习机隐含层节点数的选取 | 第57页 |
| 5.3.2 相似日W-ELM预测结果 | 第57-58页 |
| 5.3.3 预测模型对比 | 第58-64页 |
| 5.3.3.1 ELM与相似ELM对比 | 第58-60页 |
| 5.3.3.2 相似ELM与相似BP算法对比 | 第60-62页 |
| 5.3.3.3 相似日W-ELM与其他算法比较 | 第62-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 结论与展望 | 第65-67页 |
| 6.1 结论 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
