文摘
英文文摘
声明
1绪论
1.1问题的提出及研究意义
1.2短期负荷预测概述及国内外研究现状
1.3负荷分类在短期负荷预测中的应用概述
1.4本文研究的主要内容
2神经网络和模糊聚类基本原理
2.1 BP网络及BP算法
2.1.1 BP网络结构
2.1.2 BP学习算法
2.2 RBF网络及其学习算法
2.2.1 RBF网络结构和工作原理
2.2.2 RBF网络学习算法
2.3 BP与RBF网络的对比
2.3.1 BP与RBF网络的区别
2.3.2 BP与RBF网络算例分析
2.4模糊聚类分析
2.4.1数据规格化
2.4.2标定(建立模糊相似矩阵)
2.4.3传递闭包法建立模糊等价矩阵
2.4.4模糊聚类步骤
2.4.5最佳阈值λ的确定
2.5本章小结
3母线节点负荷模糊聚类分析
3.1负荷分类标准
3.2建立负荷特性模糊聚类指标
3.3母线节点负荷聚类步骤
3.4母线节点负荷聚类实例分析
3.4.1不良负荷数据的预处理
3.4.2各母线节点年平均日负荷曲线
3.4.3母线节点负荷聚类结果分析
3.5本章小结
4日负荷预测的改进级联神经网络方法
4.1改进级联神经网络的建立
4.1.1 BP网络拓扑结构
4.1.2 RBF网络拓扑结构
4.2日负荷预测的前期工作
4.2.1日类型和气温的量化处理
4.2.2输入输出变量的处理
4.2.3样本的选取
4.2.4网络模型的训练与测试
4.3级联神经网络与单神经网络预测对比
4.3.1平均负荷比例法量化日类型
4.3.2 BP网络训练函数性能对比
4.3.3两种日负荷预测模型预测对比
4.4日负荷预测模型的改进方法一
4.4.1引入母线节点负荷模糊聚类
4.4.2聚类后与聚类前预测对比
4.5日负荷预测模型的改进方法二
4.5.1引入分段预测方式
4.5.2分段与未分段预测对比
4.6改进后的日负荷预测模型实例分析
4.7本章小结
5结论
致 谢
参考文献
附 录:作者在攻读硕士学位期间发表的论文目录