| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 引言 | 第9页 |
| 1.2 研究背景及意义 | 第9-13页 |
| 1.2.1 国外智能小区的发展 | 第9-10页 |
| 1.2.2 国内智能小区的发展 | 第10-13页 |
| 1.3 负荷预测方法的研究历史和现状 | 第13-16页 |
| 1.3.1 研究历史 | 第13-14页 |
| 1.3.2 负荷预测研究现状 | 第14-16页 |
| 1.4 本文主要研究内容 | 第16-18页 |
| 第二章 智能小区用电负荷影响因素的灰色关联分析 | 第18-30页 |
| 2.1 智能小区用电负荷影响因素分析 | 第18-21页 |
| 2.2 灰色关联分析理论 | 第21-23页 |
| 2.2.1 灰色关联分析的定义 | 第22-23页 |
| 2.2.2 灰色关联分析的计算 | 第23页 |
| 2.3 影响因素与用电负荷的灰色关联分析 | 第23-29页 |
| 2.3.1 季节因素与其他因素分析比较 | 第24-25页 |
| 2.3.2 地域因素与其他因素分析比较 | 第25-26页 |
| 2.3.3 时间段因素与其他因素分析比较 | 第26-27页 |
| 2.3.4 影响因素权重指标分析 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于主成分分析的数据预处理 | 第30-35页 |
| 3.1 主成分分析原理 | 第30-31页 |
| 3.2 主成分分析数学模型 | 第31-32页 |
| 3.3 主成分分析计算步骤 | 第32-33页 |
| 3.4 主成分分析对采集的用电负荷数据进行预处理 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 对角递归神经网络 | 第35-41页 |
| 4.1 DRNN网络 | 第35-36页 |
| 4.2 DRNN学习算法 | 第36-40页 |
| 4.2.1 BP算法 | 第36-37页 |
| 4.2.2 BP算法训练DRNN | 第37-38页 |
| 4.2.3 仿真结果分析 | 第38-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第五章 改进对角递归神经网络在智能小区负荷预测中的应用 | 第41-54页 |
| 5.1 粒子群算法 | 第41-45页 |
| 5.1.1 粒子群算法具体流程 | 第41-43页 |
| 5.1.2 粒子群算法的改进 | 第43-45页 |
| 5.2 C-QPSO的寻优性能测试 | 第45-47页 |
| 5.3 基于C-QPSO的DRNN模型测试训练结果分析 | 第47-50页 |
| 5.4 基于C-QPSO的DRNN模型在智能小区用电负荷预测中的应用 | 第50-53页 |
| 5.5 本章小结 | 第53-54页 |
| 结论 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 作者简介、发表文章及研究成果目录 | 第59-61页 |
| 致谢 | 第61-62页 |
