地区电网负荷特性分析及建模研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题的研究背景 | 第10-11页 |
| 1.2 电力负荷实测建模的国内外研究现状 | 第11-13页 |
| 1.3 本文的研究内容 | 第13-14页 |
| 第2章 地区电网电力负荷特性研究 | 第14-36页 |
| 2.1 典型行业负荷特性分析 | 第14-20页 |
| 2.1.1 采矿、电力燃气业负荷 | 第16-17页 |
| 2.1.2 制造业负荷 | 第17-18页 |
| 2.1.3 商业负荷 | 第18-19页 |
| 2.1.4 公共教育业负荷 | 第19-20页 |
| 2.1.5 居民负荷 | 第20页 |
| 2.2 负荷特性与影响因素分析 | 第20-30页 |
| 2.2.1 灰色关联度理论 | 第21-23页 |
| 2.2.2 负荷特性指标关联度分析 | 第23-30页 |
| 2.3 基于负荷曲线推测负荷组成 | 第30-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 基于PMU布点的负荷实测建模 | 第36-50页 |
| 3.1 实测负荷建模参数辨识 | 第36-42页 |
| 3.1.1 负荷模型结构 | 第36-38页 |
| 3.1.2 负荷模型辨识算法 | 第38-42页 |
| 3.2 实测负荷建模的数据源 | 第42-44页 |
| 3.2.1 故障录波数据 | 第42-43页 |
| 3.2.2 负荷特性记录仪数据 | 第43页 |
| 3.2.3 PMU-WAMS数据 | 第43-44页 |
| 3.3 基本聚类方法的介绍 | 第44-45页 |
| 3.4 基于负荷特性建模的PMU安装优化 | 第45-49页 |
| 3.4.1 层次聚类方法的CURE算法 | 第45-46页 |
| 3.4.2 用于负荷实测建模的PMU优化布点方法 | 第46-47页 |
| 3.4.3 实例验证 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 基于极限学习机的负荷模型预测 | 第50-58页 |
| 4.1 人工神经网络算法 | 第50-54页 |
| 4.1.1 误差回传神经网络（BP） | 第50-51页 |
| 4.1.2 模糊神经网络 | 第51页 |
| 4.1.3 支持向量机 | 第51-52页 |
| 4.1.4 极限学习机 | 第52-54页 |
| 4.2 基于ELM的负荷模型预测 | 第54页 |
| 4.3 实例验证 | 第54-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 结论与展望 | 第58-59页 |
| 5.1 结论 | 第58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第62-63页 |
| 攻读硕士学位期间参加的科研工作 | 第63-64页 |
| 致谢 | 第64页 |
