| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 课题的研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 基于数学概率统计的预测模型 | 第11-12页 |
| 1.2.2 人工智能和智能计算法 | 第12-14页 |
| 1.3 论文主要研究内容 | 第14-16页 |
| 1.4 论文内容简介 | 第16-17页 |
| 第二章 基于交变粒子群优化算法的BP网络短期电力负荷预测模型 | 第17-25页 |
| 2.1 引言 | 第17-18页 |
| 2.2 CPSOBP模型 | 第18-23页 |
| 2.2.1 短期电力负荷预测模型概述 | 第18页 |
| 2.2.2 CPSOBP算法 | 第18-23页 |
| 2.2.2.1 初始化算法参数 | 第18-19页 |
| 2.2.2.2 算法进化设计 | 第19-23页 |
| 2.3 实验结果与分析 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于量子粒子群求解Elman网络与优化灰色模型参数的混合模型的预测模型 | 第25-41页 |
| 3.1 引言 | 第25-26页 |
| 3.2 基于QPSO算法的Elman网络模型 | 第26-33页 |
| 3.2.1 人工神经元 | 第27-28页 |
| 3.2.2 Elman网络及其改进网络 | 第28-31页 |
| 3.2.2.1 Elman神经网络 | 第28-29页 |
| 3.2.2.2 优化Elman网络的遗传算法 | 第29-30页 |
| 3.2.2.3 量子粒子群算法 | 第30-31页 |
| 3.2.3 量子粒子群算法优化Elman网络模型 | 第31-33页 |
| 3.3 CPSO优化灰色预测模型 | 第33-36页 |
| 3.3.1 基本的灰色理论模型 | 第33-34页 |
| 3.3.2 优化灰色理论模型 | 第34-36页 |
| 3.4 仿真实验与结果分析 | 第36-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于进化的萤火虫算法优化多层次粒度支持向量回归机参数的电力负荷预测模型 | 第41-58页 |
| 4.1 引言 | 第41-42页 |
| 4.2 多层次粒度的SVRM | 第42-47页 |
| 4.2.1 基本的支持向量机 | 第42-44页 |
| 4.2.2 基于多层次粒度的SVRM | 第44-47页 |
| 4.3 基于GSOPS算法优化DGSVRM关键参数 | 第47-49页 |
| 4.3.1 初始化 | 第47页 |
| 4.3.2 适应值函数 | 第47-48页 |
| 4.3.3 采用萤火虫算法进行全局搜索策略 | 第48页 |
| 4.3.4 模式搜索算法负责局部搜索的策略 | 第48-49页 |
| 4.3.5 GSOPS算法的构建过程 | 第49页 |
| 4.4 仿真实验相关设置 | 第49-51页 |
| 4.4.1 实验数据及预处理 | 第49-50页 |
| 4.4.2 评价指标 | 第50-51页 |
| 4.5 仿真实验结果与分析 | 第51-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 全文总结 | 第58-59页 |
| 5.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66页 |
| 攻读硕士期间发表论文情况 | 第66页 |
