| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题研究背景和意义 | 第11-12页 |
| 1.2 短期电力负荷预测研究现状 | 第12-17页 |
| 1.2.1 电力负荷预测问题的分类 | 第12-13页 |
| 1.2.2 传统短期电力负荷预测方法 | 第13-15页 |
| 1.2.3 目前常用的短期电力负荷预测方法 | 第15-17页 |
| 1.3 本文主要工作 | 第17页 |
| 1.4 本论文的结构安排 | 第17-20页 |
| 第2章 负荷数据的预处理和特征提取 | 第20-27页 |
| 2.1 引言 | 第20页 |
| 2.2 负荷数据预处理 | 第20-23页 |
| 2.2.1 异常点的识别和修正处理 | 第20-21页 |
| 2.2.2 缺失数据的补充 | 第21-22页 |
| 2.2.3 样本数据的归一化 | 第22-23页 |
| 2.3 负荷数据输入的特征提取 | 第23-26页 |
| 2.3.1 Relief特征提取算法 | 第23-25页 |
| 2.3.2 相关量的选择 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于粒子群算法优化极限学习机的短期负荷点预测 | 第27-40页 |
| 3.1 引言 | 第27页 |
| 3.2 基于北椋鸟群集群效应的粒子群算法 | 第27-28页 |
| 3.3 人工神经网络和极限学习机 | 第28-32页 |
| 3.4 IPSO优化极限学习机的短期负荷点预测模型 | 第32-39页 |
| 3.4.1 点预测精度的评价指标 | 第32-33页 |
| 3.4.2 极限学习机网络的参数选择 | 第33-36页 |
| 3.4.3 IPSO-ELM预测模型的实现步骤 | 第36-37页 |
| 3.4.4 预测结果及分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于深度学习的短期负荷点预测 | 第40-58页 |
| 4.1 引言 | 第40-41页 |
| 4.2 深度学习的相关网络结构 | 第41-48页 |
| 4.2.1 长短期记忆(LSTM)网络 | 第41-45页 |
| 4.2.2 卷积神经网络 | 第45-46页 |
| 4.2.3 词嵌入层(Embeding Layer) | 第46-48页 |
| 4.3 深度神经网络的学习算法 | 第48-50页 |
| 4.3.1 经典的误差反向传播算法(BP) | 第48-50页 |
| 4.3.2 RNN的误差反向传播算法(BPTT) | 第50页 |
| 4.4 基于深度学习的负荷预测模型搭建 | 第50-53页 |
| 4.4.1 带有词嵌入层的深度长短期记忆网络 | 第51-52页 |
| 4.4.2 带有词嵌入层和卷积层的长短期记忆网络 | 第52-53页 |
| 4.5 预测效果和对比 | 第53-57页 |
| 4.5.1 LSTM预测结果分析 | 第53-55页 |
| 4.5.2 LSTM和IPSO优化极限学习机的预测结果对比 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 用户负荷短期区间预测方法 | 第58-66页 |
| 5.1 引言 | 第58页 |
| 5.2 区间预测精度的评价指标 | 第58-59页 |
| 5.3 IPSO优化极限学习机的区间预测方法 | 第59-61页 |
| 5.4 基于点预测结果和比例系数法的区间预测 | 第61-63页 |
| 5.4.1 比例系数法 | 第61页 |
| 5.4.2 改进的比例系数法 | 第61-63页 |
| 5.5 两种区间预测方法仿真及对比 | 第63-65页 |
| 5.6 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 本文小结 | 第66-67页 |
| 6.2 研究展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 科研成果 | 第73-74页 |
| 致谢 | 第74页 |
