基于LSTM深度网络和改进核极限学习机的短期电力负荷预测

目录

声明

第1章 引言

1.1 研究背景及意义

1.2 国内外研究现状

1.3 论文研究内容和创新点

1.3.1 研究内容

1.3.2 创新点

1.4 论文的技术路线

第2章 电力负荷预测的基本理论

2.1 电力负荷预测概述

2.2 电力负荷预测的特点

2.3 电力负荷预测的影响因素

2.4 电力负荷预测误差分析

2.4.1 误差产生原因

2.4.2 误差计算方法

2.5 电力负荷预测基本过程

2.6 本章小结

第3章 电力负荷影响因素分析组合模型

3.1 皮尔逊相关分析

3.2 向量自回归（VAR）模型

3.3 主成分分析法

3.4 影响因素分析组合模型

3.5 实证分析

3.5.1 影响因素的选择

3.5.2 影响因素的量化处理

3.5.3 皮尔逊相关分析结果

3.5.4 VAR分析结果

3.5.5 主成分分析结果

3.6 本章小结

第4章 短期电力负荷预测模型的构建

4.1 改进蝙蝠优化算法

4.1.1 传统蝙蝠优化算法

4.1.2 自适应蝙蝠优化算法

4.2 极限学习机

4.2.1 传统极限学习机（ELM）

4.2.2 在线极限学习机(OS-ELM)

4.2.3 核函数极限学习机(KELM)

4.3 改进蝙蝠算法优化KELM

4.4 实证分析

4.5 本章小结

第5章 LSTM深度学习的短期电力负荷预测

5.1 BP神经网络

5.2 循环神经网络（RNN）

5.3 LSTM深度神经网络

5.4 实证分析

5.5 本章小结

第6章 研究成果和结论

参考文献

攻读硕士学位期间发表的论文及其他成果

致谢