群智能算法在短期电力负荷预测中的研究及应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 选题研究背景及意义 | 第10-11页 |
| 1.2 负荷预测的发展及国内外研究现状 | 第11-13页 |
| 1.2.1 负荷预测的发展 | 第11-13页 |
| 1.2.2 国内外研究现状 | 第13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 论文章节安排 | 第14-15页 |
| 第2章 电力负荷预测概述 | 第15-26页 |
| 2.1 负荷预测的分类及作用 | 第15页 |
| 2.2 短期负荷预测的特点及原理 | 第15-18页 |
| 2.3.1 负荷预测的特点 | 第15-17页 |
| 2.3.2 负荷预测的原理 | 第17-18页 |
| 2.3 短期负荷特性分析 | 第18-22页 |
| 2.3.1 负荷分解 | 第18页 |
| 2.3.2 典型负荷分量的特性 | 第18-21页 |
| 2.3.3 天气敏感负荷分量的特性 | 第21-22页 |
| 2.4 负荷预测的影响因素分析 | 第22页 |
| 2.5 负荷预测的基本过程 | 第22-24页 |
| 2.6 负荷预测的误差分析 | 第24-25页 |
| 2.7 本章小结 | 第25-26页 |
| 第3章 人工神经网络方法 | 第26-35页 |
| 3.1 神经网络理论基础 | 第26-28页 |
| 3.1.1 人工神经元模型 | 第26-27页 |
| 3.1.2 人工神经网络类型 | 第27-28页 |
| 3.2 BP神经网络 | 第28-31页 |
| 3.2.1 BP神经网络结构 | 第28-29页 |
| 3.2.2 BP算法原理 | 第29-30页 |
| 3.2.3 BP算法的优缺点 | 第30-31页 |
| 3.3 BP神经网络负荷预测模型 | 第31-34页 |
| 3.3.1 实验数据收集及预处理 | 第31-32页 |
| 3.3.2 BP预测模型的确定 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于群智能算法的短期电力负荷预测 | 第35-46页 |
| 4.1 群智能算法简介 | 第35-38页 |
| 4.2 蝙蝠算法 | 第38-42页 |
| 4.2.1 算法原理 | 第38-40页 |
| 4.2.2 算法性能 | 第40-42页 |
| 4.3 蝙蝠算法改进 | 第42-43页 |
| 4.4 改进的蝙蝠算法优化BP神经网络 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 仿真实验与结果分析 | 第46-53页 |
| 5.1 实验环境 | 第46页 |
| 5.2 仿真结果分析 | 第46-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 6.1 课题总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第58-59页 |
| 致谢 | 第59页 |
