摘要 | 第1页 |
Abstract | 第4-8页 |
第1章 绪论 | 第8-13页 |
·本课题研究的目的和意义 | 第8-9页 |
·目前国内外研究现状 | 第9-12页 |
·本文工作的主要内容 | 第12-13页 |
第2章 电力短期负荷预测分析 | 第13-18页 |
·电力负荷特性分析 | 第13-14页 |
·电力负荷的分类 | 第13-14页 |
·电力负荷的内在规律 | 第14页 |
·电力负荷的外在特性 | 第14页 |
·现有预测方法 | 第14-17页 |
·传统预测方法 | 第14-15页 |
·现代预测方法 | 第15-16页 |
·现有预测方法的分析与比较 | 第16-17页 |
·本章小结 | 第17-18页 |
第3章 共享式全局寻优算法(SGOA)设计 | 第18-31页 |
·几种主要全局寻优智能算法的分析 | 第18-23页 |
·连续型遗传算法(CGA) | 第18-19页 |
·模拟退火算法(SAA) | 第19页 |
·蚁群算法(ACO) | 第19-20页 |
·粒子群算法(PSO) | 第20-21页 |
·人工鱼群算法(AFSA) | 第21-23页 |
·禁忌搜索算法(TSA) | 第23页 |
·几种全局寻优智能算法的应用分析 | 第23-24页 |
·内部融合分析 | 第23-24页 |
·外部融合分析 | 第24页 |
·SGOA 算法设计 | 第24-30页 |
·算法的设计原理 | 第25-27页 |
·SGOA 算法优越性验证 | 第27-29页 |
·仿真结果分析与比较 | 第29-30页 |
·本章小结 | 第30-31页 |
第4章 基于重置的变结构前馈神经网络的结构优化 | 第31-40页 |
·重置算法的定义与相关定理 | 第31-33页 |
·基于重置的变结构前馈神经网络 | 第33-36页 |
·经典BP 神经网络算法 | 第33页 |
·GAUSSNEWTON 前馈神经网络 | 第33-35页 |
·前馈神经网络 | 第33-34页 |
·GAUSSNEWTON 前馈神经网络算法 | 第34-35页 |
·GAUNEWTON 前馈神经网络的结构优化 | 第35-36页 |
·动态删除算法 | 第35-36页 |
·GAUSSNEWTON 动态前馈神经网络算法 | 第36页 |
·重置的变结构前馈神经网络的优化算法 | 第36页 |
·应用实例研究 | 第36-37页 |
·重置变结构前馈神经网络优化组合方法的有效性验证 | 第37-39页 |
·最小二乘法 | 第37-38页 |
·重置变结构前馈神经网络 | 第38页 |
·二种方法的比较 | 第38-39页 |
·本章小结 | 第39-40页 |
第5章 SGOA 重置变结构前馈神经网络模型及其应用 | 第40-62页 |
·电力系统短期负荷预测 | 第40-42页 |
·电力系统短期负荷预测的复杂性 | 第40-41页 |
·影响电力系统短期负荷的主要因素 | 第41页 |
·人工神经网络在电力系统短期负荷预测中的作用 | 第41-42页 |
·重置变结构前馈神经网络的设计 | 第42-45页 |
·输入层神经元的数目 | 第42页 |
·输出层神经元的数目 | 第42-43页 |
·隐含层神经元的数目 | 第43-45页 |
·利用SGOA 优化训练重置变结构前馈神经网络的过程 | 第45-52页 |
·样本的选取 | 第45-46页 |
·样本数据预处理 | 第46-47页 |
·训练样本数据处理 | 第47-50页 |
·负荷数据归一化 | 第48页 |
·影响因素的模糊化处理 | 第48-49页 |
·网络输入节点的选取及网络模型 | 第49-50页 |
·预测误差分析 | 第50-52页 |
·误差产生的原因 | 第50-51页 |
·预测误差分析指标 | 第51-52页 |
·SGOA 重置变结构前馈神经网络的短期负荷预测模型 | 第52-54页 |
·传统的BP 神经网络模型 | 第52页 |
·SGOA 重置变结构前馈神经网络模型 | 第52-54页 |
·SGOA 重置变结构前馈神经网络模型在短期负荷预测中的应用 | 第54-60页 |
·两种预测模型的比较 | 第54-55页 |
·连续一周的日负荷的预测结果 | 第55-60页 |
·本章小结 | 第60-62页 |
第6章 结论 | 第62-64页 |
·本文得出的结论 | 第62-63页 |
·下一步发展方向 | 第63-64页 |
参考文献 | 第64-68页 |
致谢 | 第68-69页 |
在学期间发表的学术论文和参加科研情况 | 第69-70页 |
详细摘要 | 第70-80页 |