论文目录 | |
| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第1章 绪论 | 第10-16页 |
| · 电力负荷预测基本概念 | 第10页 |
| · 短期电力负荷预测的目的和意义 | 第10-11页 |
| · 短期电力负荷预测研究现状 | 第11-13页 |
| · 主要研究内容及章节安排 | 第13-16页 |
| 第2章 电力负荷预测相关理论基础 | 第16-22页 |
| · 混沌时间序列理论基础 | 第16-18页 |
| · 混沌的定义 | 第16页 |
| · 混沌运动的特征量 | 第16-18页 |
| · 混沌时间序列 | 第18页 |
| · 小波神经网络 | 第18-20页 |
| · 小波神经网络发展及特点概述 | 第18-19页 |
| · 小波神经网络结构形式 | 第19-20页 |
| · 基本粒子群优化算法 | 第20-22页 |
| · 基本粒子群优化算法原理 | 第20-21页 |
| · 基本粒子群优化算法流程 | 第21-22页 |
| 第3章 基于相空间重构的电力负荷时间序列混沌特性分析 | 第22-33页 |
| · 电力负荷时间序列的相空间重构 | 第22-27页 |
| · 混沌理论在时间序列预测中的应用概述 | 第22页 |
| · 相空间重构理论 | 第22-23页 |
| · 时间延迟和嵌入维数选取方法 | 第23-25页 |
| · 短期电力负荷时间序列相空间重构实例仿真 | 第25-27页 |
| · 短期电力负荷时间序列混沌特性识别 | 第27-30页 |
| · 时间序列混沌特性识别方法概述 | 第27-28页 |
| · 小数据量法计算最大李雅普诺夫指数 | 第28-29页 |
| · 短期电力负荷时间序列混沌特性验证实例仿真 | 第29-30页 |
| · 电力负荷混沌时间序列可预测分析及最大可预报尺度 | 第30-32页 |
| · 电力负荷混沌时间序列可预测分析 | 第30-31页 |
| · 电力负荷混沌时间序列最大可预报尺度 | 第31-32页 |
| · 本章小结 | 第32-33页 |
| 第4章 基于WNN的短期电力负荷预测模型设计及仿真 | 第33-47页 |
| · 基于WNN的短期电力负荷预测模型设计 | 第33-36页 |
| · 基于相空间的WNN短期电力负荷预测模型建模思想 | 第33-34页 |
| · 基于相空间的WNN的短期电力负荷预测模型建模步骤 | 第34-36页 |
| · 小波神经网络应用设计研究 | 第36-39页 |
| · 小波神经网络层数及各层神经元个数的确定 | 第36-37页 |
| · 小波神经网络小波函数的选择 | 第37-38页 |
| · 小波神经网络梯度下降学习算法 | 第38页 |
| · 小波神经网络样本数据归一化处理 | 第38-39页 |
| · 基于相空间的WNN短期电力负荷预测实例仿真与分析 | 第39-46页 |
| · 短期电力负荷预测的评价指标 | 第39-40页 |
| · 预测结果及对比分析 | 第40-46页 |
| · 本章小结 | 第46-47页 |
| 第5章 基于粒子群优化算法的WNN短期电力负荷预测模型设计及仿真 | 第47-62页 |
| · 基本粒子群优化算法改进的综合及性能测试 | 第47-56页 |
| · 基本粒子群优化算法的优点及不足 | 第47-48页 |
| · 基本粒子群优化算法改进的综合 | 第48-52页 |
| · 基本粒子群优化算法改进综合的性能测试仿真 | 第52-56页 |
| · 基于粒子群优化的小波神经网络学习算法 | 第56-58页 |
| · 粒子群算法应用于小波神经网络的原因概述 | 第56页 |
| · 基于粒子群优化的小波神经网络学习算法的实现 | 第56-58页 |
| · 基于粒子群优化的小波神经网络短期电力负荷预测模型实例仿真 | 第58-61页 |
| · 本章小结 | 第61-62页 |
| 总结与展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士期间发表的学术论文 | 第68页 |
