基于IGA_PSO径向基神经网络的微电网短期负荷预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 微电网国内外发展现状 | 第12-15页 |
| 1.2.1 微电网国外发展现状 | 第12-14页 |
| 1.2.2 微电网国内发展现状 | 第14-15页 |
| 1.3 负荷预测的国内外研究现状 | 第15-20页 |
| 1.3.1 负荷预测的概述 | 第15-17页 |
| 1.3.2 国内外经典负荷预测方法概述 | 第17-18页 |
| 1.3.3 国内外现代负荷预测方法概述 | 第18-20页 |
| 1.4 本文的组织与结构 | 第20-22页 |
| 第二章 微电网负荷时间序列特性的分析 | 第22-28页 |
| 2.1 引言 | 第22页 |
| 2.2 微电网负荷影响因素分析 | 第22-23页 |
| 2.3 负荷时间序列特性分析 | 第23-26页 |
| 2.3.1 日类型负荷时间序列的特性分析 | 第23-25页 |
| 2.3.2 天气及温度影响特性分析 | 第25-26页 |
| 2.4 预测的误差分析以及误差评价标准 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 预测模型的参数寻优算法 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 粒子群算法 | 第28-31页 |
| 3.2.1 基本原理 | 第28-29页 |
| 3.2.2 PSO算法实现步骤 | 第29-31页 |
| 3.3 粒子群算法的改进 | 第31-37页 |
| 3.3.1 交叉变异思想 | 第31-33页 |
| 3.3.2 记忆识别及免疫选择思想 | 第33-35页 |
| 3.3.3 算法改进的原理 | 第35-36页 |
| 3.3.4 算法改进的步骤 | 第36-37页 |
| 3.4 改进算法性能的测试 | 第37-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于神经网络的微电网负荷预测模型的实现 | 第42-55页 |
| 4.1 引言 | 第42-43页 |
| 4.2 径向基神经网络的基本原理 | 第43-46页 |
| 4.2.1 基本原理 | 第43-44页 |
| 4.2.2 学习算法及训练过程 | 第44-46页 |
| 4.3 负荷数据的预处理 | 第46-51页 |
| 4.3.1 缺失数据的补全 | 第47页 |
| 4.3.2 异常数据的横纵向处理 | 第47-49页 |
| 4.3.3 负荷数据的归一化 | 第49-51页 |
| 4.4 预测模型的建立 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于模糊控制的预测模型的改进 | 第55-70页 |
| 5.1 引言 | 第55页 |
| 5.2 模糊控制的基本原理 | 第55-56页 |
| 5.3 改进的预测模型的框架 | 第56-57页 |
| 5.4 控制器的设计 | 第57-64页 |
| 5.4.1 变量及隶属函数的确定 | 第57-60页 |
| 5.4.2 模糊控制规则的确定 | 第60-62页 |
| 5.4.3 模糊推理机和解模糊 | 第62-64页 |
| 5.5 改进的预测模型的实验结果对比及分析 | 第64-67页 |
| 5.6 预测系统的web实现 | 第67-69页 |
| 5.7 本章小结 | 第69-70页 |
| 结论与展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附件 | 第78页 |
