|
群智能算法与电力负荷预测研究 |
|
论文目录 |
|
摘要 | 第1-7页 | Abstract | 第7-9页 | 目录 | 第9-12页 | 插图索引 | 第12-15页 | 插表索引 | 第15-16页 | 第1章 绪论 | 第16-35页 | ·引言 | 第16-17页 | ·电力负荷预测的意义和作用 | 第16页 | ·电力负荷预测的分类 | 第16-17页 | ·电力负荷预测一般问题分析 | 第17-24页 | ·影响电力负荷变化的因素 | 第17-18页 | ·电力负荷变化的特点 | 第18-19页 | ·电力负荷预测数据采集处理的基本要求 | 第19-22页 | ·构建电力负荷预测数据模型的基本原则 | 第22-23页 | ·电力负荷预测的步骤 | 第23-24页 | ·电力负荷预测的研究方法及其现状 | 第24-33页 | ·预测中原始数据的处理 | 第24-25页 | ·中长期负荷预测方法和模型 | 第25-27页 | ·短期负荷预测方法和模型 | 第27-30页 | ·预测结果的分析与评价 | 第30-33页 | ·本文的主要研究内容和章节安排 | 第33-35页 | 第2章 群智能算法 | 第35-48页 | ·蚁群优化算法 | 第35-40页 | ·蚁群优化算法基本原理 | 第35-39页 | ·连续蚁群优化算法流程 | 第39-40页 | ·蚁群优化算法的优点与不足 | 第40页 | ·粒子群优化算法 | 第40-43页 | ·粒子群优化算法基本原理 | 第40-42页 | ·粒子群优化算法流程 | 第42页 | ·粒子群优化算法的优点与不足 | 第42-43页 | ·蚁群算法研究现状 | 第43-46页 | ·蚁群算法理论研究现状 | 第43-45页 | ·蚁群算法应用研究现状 | 第45-46页 | ·粒子群算法研究现状 | 第46-47页 | ·粒子群优化算法理论研究现状 | 第46-47页 | ·粒子群优化算法应用研究现状 | 第47页 | ·本章小结 | 第47-48页 | 第3章 群智能算法的测试和改进 | 第48-60页 | ·算法测试分析 | 第48-52页 | ·算法改进 | 第52-59页 | ·改进的群智能算法 | 第52页 | ·混合算法 | 第52-54页 | ·算法测试 | 第54-59页 | ·本章小结 | 第59-60页 | 第4章 神经网络模型及其改进 | 第60-73页 | ·神经网络模型 | 第60-63页 | ·BP 神经网络 | 第60-62页 | ·Elman 神经网络 | 第62-63页 | ·隐含层节点数和节点传递函数 | 第63页 | ·神经网络模型的改进 | 第63-65页 | ·基于粒子群优化算法的神经网络模型 | 第64-65页 | ·基于改进粒子群优化算法的神经网络模型 | 第65页 | ·神经网络改进模型的优点和不足 | 第65页 | ·算例 | 第65-72页 | ·非线性函数拟合 | 第66-69页 | ·混沌时间序列预测 | 第69-72页 | ·结果分析 | 第72页 | ·本章小结 | 第72-73页 | 第5章 基于群智能算法的中长期电力负荷预测 | 第73-81页 | ·电力负荷灰色预测 | 第73-77页 | ·灰色生成 | 第73-74页 | ·GM(1,1)模型 | 第74-77页 | ·基于优化算法的GM(1,1)模型 | 第77-78页 | ·基于PSO 优化算法的GM(1,1)模型 | 第77-78页 | ·基于HA 和IPSO 优化算法的GM(1,1)模型 | 第78页 | ·算例 | 第78-80页 | ·实验仿真 | 第78-79页 | ·实验结果分析 | 第79-80页 | ·本章小结 | 第80-81页 | 第6章 基于群智能算法的短期电力负荷预测 | 第81-104页 | ·电力负荷预测初始工作 | 第81-90页 | ·电力负荷原始数据预处理 | 第81-88页 | ·电力负荷预测影响因素 | 第88-89页 | ·神经网络训练样本构建 | 第89-90页 | ·算例一 | 第90-94页 | ·算例二 | 第94-100页 | ·秋季负荷预测 | 第94-97页 | ·夏季负荷预测 | 第97-99页 | ·结果分析 | 第99-100页 | ·最优小波包的短期电力负荷预测 | 第100-102页 | ·本章小结 | 第102-104页 | 总结与展望 | 第104-106页 | 参考文献 | 第106-114页 | 附录 A 攻读学位期间发表的主要学术论文目录 | 第114-115页 | 附录 B 攻读学位期间所承担的主要科研项目 | 第115-116页 | 附录 C 攻读学位期间所获得的奖励和专利 | 第116-117页 | 致谢 | 第117页 |
|
|
|