| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外微电网的发展状况 | 第11-12页 |
| 1.2.2 国内微电网的发展状况 | 第12页 |
| 1.2.3 微电网中的预测技术 | 第12-13页 |
| 1.2.4 微电网中的控制技术 | 第13-14页 |
| 1.3 研究课题的主要内容 | 第14页 |
| 1.4 论文的组织安排 | 第14-16页 |
| 第2章 相关技术介绍 | 第16-25页 |
| 2.1 有关发掘数据异常相关技术 | 第16-19页 |
| 2.1.1 数据异常形成原因及其影响 | 第16页 |
| 2.1.2 常见的异常数据发掘算法 | 第16-19页 |
| 2.2 标准粒子群寻优算法 | 第19-20页 |
| 2.3 传统预测算法 | 第20-24页 |
| 2.3.1 前馈神经网络 | 第20-23页 |
| 2.3.2 极限学习机 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 异常数据的剔除及填补算法设计 | 第25-38页 |
| 3.1 异常数据的发掘 | 第25-28页 |
| 3.1.1 改进的Grubbs异常数据发掘算法设计 | 第25-28页 |
| 3.2 缺失数据的处理方法 | 第28-29页 |
| 3.2.1 单一填补法 | 第28-29页 |
| 3.2.2 多重填补法 | 第29页 |
| 3.3 基于季节效应的k步ARMA补全算法 | 第29-31页 |
| 3.3.1 ARMA模型 | 第29-30页 |
| 3.3.2 季节效应k步ARMA补全算法 | 第30-31页 |
| 3.4 数据缺失发掘和填补算法的实验验证 | 第31-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 基于粒子群的寻优算法设计 | 第38-47页 |
| 4.1 常见的寻优算法 | 第38-39页 |
| 4.1.1 传统的寻优算法 | 第38页 |
| 4.1.2 群智能优化算法 | 第38-39页 |
| 4.2 粒子群寻优算法特点 | 第39页 |
| 4.3 混沌粒子群寻优算法设计 | 第39-43页 |
| 4.3.1 标准粒子群算法 | 第39-41页 |
| 4.3.2 混沌粒子群算法模型设计 | 第41-43页 |
| 4.4 混沌粒子群算法的实验验证 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 微电网不可控剩余负荷预测算法设计 | 第47-61页 |
| 5.1 微电网剩余不可控负荷预测的必要性 | 第47-49页 |
| 5.1.1 不可控剩余负荷 | 第47-48页 |
| 5.1.2 不可控微电源 | 第48-49页 |
| 5.2 常用的预测算法 | 第49-50页 |
| 5.3 不可控剩余负荷预测算法设计 | 第50-53页 |
| 5.3.1 在线贯序极限学习机OS-ELM | 第50-52页 |
| 5.3.2 加权在线贯序极限学习机WOS-ELM | 第52页 |
| 5.3.3 均化加权在线贯序极限学习机的设计 | 第52-53页 |
| 5.4 不可控剩余负荷预测模型实验验证 | 第53-59页 |
| 5.4.1 评价指标 | 第54-55页 |
| 5.4.2 影响预测主要因素 | 第55页 |
| 5.4.3 算例分析 | 第55-59页 |
| 5.5 本章小结 | 第59-61页 |
| 第6章 结论与展望 | 第61-63页 |
| 6.1 本论文的主要工作 | 第61页 |
| 6.2 对未来工作的展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第67-68页 |
| 致谢 | 第68页 |