| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-15页 |
| ·课题背景及研究意义 | 第10-11页 |
| ·短期负荷预测的研究现状 | 第11-13页 |
| ·论文研究的主要内容 | 第13-15页 |
| 第2章 微电网短期负荷预测的研究基础 | 第15-25页 |
| ·分布式微电网的相关概念 | 第15页 |
| ·风光柴蓄分布式微电网的组成 | 第15-17页 |
| ·珠海风光柴蓄分布式微电网介绍 | 第17-21页 |
| ·系统介绍 | 第17-18页 |
| ·能量管理途径的实现 | 第18-21页 |
| ·建立预测模型的基本原则 | 第21-22页 |
| ·历史数据处理和样本建立 | 第22-24页 |
| ·数据处理 | 第22页 |
| ·样本的组成和处理 | 第22-24页 |
| ·本章总结 | 第24-25页 |
| 第3章 基于 BP 神经网络的微电网短期负荷预测 | 第25-35页 |
| ·BP 神经网络的介绍 | 第25-26页 |
| ·基于 BP 算法的微电网负荷预测模型 | 第26-32页 |
| ·变量的确定 | 第26-28页 |
| ·学习算法 | 第28-30页 |
| ·实现步骤 | 第30-32页 |
| ·算例分析 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于 FOASVM 模型的短期负荷预测 | 第35-56页 |
| ·支持向量机算法 | 第35-39页 |
| ·机器学习 | 第35-36页 |
| ·经验风险最小化 | 第36页 |
| ·VC 维 | 第36页 |
| ·结果风险最小 | 第36-37页 |
| ·支持向量机(SVM) | 第37-38页 |
| ·核函数 | 第38-39页 |
| ·果蝇优化算法(FRUIT FLY OPTIMIZATION ALGORITHM, FOA) | 第39-41页 |
| ·演化式计算与群体智能 | 第39页 |
| ·果蝇优化算法的基本概念 | 第39-41页 |
| ·基于 FOASVM 微电网负荷预测模型 | 第41-42页 |
| ·实现步骤 | 第42-44页 |
| ·预测模型的实例验证以及误差修正法 | 第44-49页 |
| ·预测模型的实例验证 | 第44-48页 |
| ·误差积分修正法 | 第48-49页 |
| ·FOA-SVM 算法中果蝇参数的改进 | 第49-54页 |
| ·种群大小对算法影响的研究 | 第49-51页 |
| ·初始位置对算法影响的研究 | 第51-53页 |
| ·步进值对算法影响的研究 | 第53-54页 |
| ·本章小结 | 第54-56页 |
| 第5章 微电网短期负荷预测的实现 | 第56-64页 |
| ·分布式微电网负荷预测实现 | 第56-57页 |
| ·软件和硬件实现 | 第57-63页 |
| ·三级能量管理平台的介绍 | 第57-60页 |
| ·第二级能量管理平台的开发 | 第60-61页 |
| ·主画面 | 第61-62页 |
| ·实例验证 | 第62-63页 |
| ·本章小结 | 第63-64页 |
| 结论与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69-74页 |
| 致谢 | 第74页 |