基于深度学习神经网络的电力短期负荷预测方法研究

目录

声明

第1章 绪论

1.1 研究背景和意义

1.2 国内外电力短期负荷预测研究现状

1.2.1 电力负荷数据的预处理研究现状

1.2.2 电力短期负荷预测一般方法

1.2.3 电力大数据

1.3 论文的研究内容

1.3.1 本文整体的组织结构

1.3.2 本文具体研究内容

第2章 电力短期负荷预测的基本理论及负荷数据预处理

2.1 引言

2.2 电力负荷的分类和特性分析及负荷主要影响因素

2.3 电力负荷预测性能指标

2.4 电力短期负荷预测的基本过程

2.5电力负荷数据预处理的重要性

2.6 电力负荷坏数据的分类以及预处理方法

2.7 基于小波变换理论对负荷数据预处理

2.7.1 小波变换理论简析

2.7.2 连续型小波变换分析理论分析

2.7.3 离散型小波变换分析理论

2.8 小波变换分析理论去噪方法

2.8.1 电力负荷数据的垂直处理

2.8.2 电力负荷数据的水平处理

2.8.3 小波阈值去噪方法

2.9 本章小结

第3章 基于深度学习电力短期负荷预测模型的搭建

3.1 深度学习网络

3.1.1 深度学习网络和浅层神经网络

3.1.2 激活函数

3.1.3 感知器模型

3.1.4 多层感知器模型

3.2 深度学习网络的大致结构

3.3 深度学习递归神经网络的模型搭建

3.3.1 深度学习框架

3.3.2 RNN（递归或循环神经网络）模型

3.3.3 LSTM（长短期记忆循环神经网络）模型

3.3.4 基于Attention机制的LSTM神经网络模型

3.4 深度学习对电力负荷预测问题的适应性浅析

3.5 本章小结

第4章 电力短期负荷预测模型性能评估实验与分析

4.1 实验模型的参数设置

4.2 评价指标

4.3电力短期负荷模型预测结果及分析

4.3.1 RNN（递归或循环神经网络）预测模型的预测结果

4.3.2 LSTM（长短期记忆网络）预测模型的预测结果

4.3.3 基于Attention机制的LSTM预测模型的预测结果

4.3.4 单天和单周的三个预测模型的预测精度对比

4.3.5 单天滚动和单周滚动的三个预测模型的预测精度对比

4.4 本章小结

第5章 总结与展望

5.1 全文工作总结

5.2 进一步的研究工作展望

致谢

参考文献

附录一

附录二