| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-16页 |
| 1.1 课题研究的背景和意义 | 第6-8页 |
| 1.2 课题的研究现状 | 第8-14页 |
| 1.2.1 电动汽车充电站发展现状 | 第8-10页 |
| 1.2.2 短期负荷预测方法研究现状 | 第10-12页 |
| 1.2.3 电动汽车充电站负荷特性及短期负荷预测研究现状 | 第12-13页 |
| 1.2.4 短期负荷预测误差指标 | 第13-14页 |
| 1.3 本文主要研究的内容 | 第14-16页 |
| 第二章 智能电网及电动汽车充电站 | 第16-24页 |
| 2.1 智能电网技术 | 第16-18页 |
| 2.1.1 智能电网的基本概念 | 第16页 |
| 2.1.2 智能电网的特点 | 第16-17页 |
| 2.1.3 智能电网的负荷构成 | 第17-18页 |
| 2.2 电动汽车充电站技术 | 第18-22页 |
| 2.2.1 电动汽车充电站的构成 | 第18-19页 |
| 2.2.2 电动汽车充电模式简介 | 第19-21页 |
| 2.2.3 电动汽车对充电技术的要求 | 第21-22页 |
| 2.3 电动汽车V2G模式 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于SNN的电动汽车充电站短期负荷预测研究 | 第24-38页 |
| 3.1 人工神经网络概述 | 第24-27页 |
| 3.1.1 人工神经网络模型 | 第24-25页 |
| 3.1.2 人工神经网络模型分类 | 第25-26页 |
| 3.1.3 人工神经网络的特点 | 第26-27页 |
| 3.2 SNN预测模型 | 第27-31页 |
| 3.2.1 脉冲神经元模型 | 第27-28页 |
| 3.2.2 SNN预测模型 | 第28-30页 |
| 3.2.3 SNN模型训练算法 | 第30-31页 |
| 3.3 电动汽车充电功率的影响因素分析 | 第31-35页 |
| 3.3.1 影响因素概述 | 第31-32页 |
| 3.3.2 日类型因素 | 第32-33页 |
| 3.3.3 气象因素 | 第33-34页 |
| 3.3.4 季节因素 | 第34-35页 |
| 3.4 仿真验证 | 第35-37页 |
| 3.4.1 负荷影响因素数据处理 | 第35页 |
| 3.4.2 算例分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于Elman反馈型SNN的电动汽车充电站短期负荷预测研究 | 第38-48页 |
| 4.1 反馈型神经网络 | 第38-42页 |
| 4.1.1 Hopfield网络 | 第38-39页 |
| 4.1.2 Jordan网络 | 第39-40页 |
| 4.1.3 Elman网络 | 第40页 |
| 4.1.4 三种网络的性能比较 | 第40-41页 |
| 4.1.5 Elman反馈型SNN预测模型 | 第41-42页 |
| 4.2 粒子群优化算法 | 第42-44页 |
| 4.2.1 粒子群优化算法概述 | 第42-43页 |
| 4.2.2 粒子群优化算法的数学描述 | 第43-44页 |
| 4.3 PSO优化Elman反馈型SNN预测模型 | 第44-45页 |
| 4.4 仿真验证 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 攻读学位期间的研究成果 | 第54-56页 |
| 致谢 | 第56-57页 |
