| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究的背景及意义 | 第11-13页 |
| 1.1.1 课题研究的背景 | 第11-12页 |
| 1.1.2 课题研究的意义 | 第12-13页 |
| 1.2 国内外现状分析 | 第13-15页 |
| 1.2.1 同步相量测量系统国内外研究现状 | 第13-14页 |
| 1.2.2 电动汽车充电负荷预测国内外研究现状 | 第14-15页 |
| 1.2.3 微电网日常负荷预测国内外研究现状 | 第15页 |
| 1.3 研究内容和研究路线 | 第15-19页 |
| 1.3.1 研究内容 | 第15-17页 |
| 1.3.2 研究路线 | 第17-19页 |
| 第2章 微电网同步相量测量系统的研制 | 第19-41页 |
| 2.1 引言 | 第19页 |
| 2.2 同步相量测量系统的技术要求及总体方案设计 | 第19-22页 |
| 2.2.1 同步相量测量设备的需求分析 | 第19-21页 |
| 2.2.2 测量系统的总体结构设计方案 | 第21-22页 |
| 2.3 硬件结构设计 | 第22-27页 |
| 2.3.1 检测系统的硬件总体结构设计方案 | 第22-23页 |
| 2.3.2 同步相量采集板硬件设计 | 第23-25页 |
| 2.3.3 RTU硬件结构设计 | 第25-27页 |
| 2.4 软件设计 | 第27-32页 |
| 2.4.1 同步相量采集板软件设计 | 第27-29页 |
| 2.4.2 RTU软件设计 | 第29-31页 |
| 2.4.3 上位机软件设计 | 第31-32页 |
| 2.5 样机展示及实验 | 第32-39页 |
| 2.5.1 样机展示 | 第32-34页 |
| 2.5.2 基本参数校准实验 | 第34-36页 |
| 2.5.3 谐波参数校准实验 | 第36-37页 |
| 2.5.4 电能检测实验 | 第37-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第3章 基于改进的COPULA算法的电动汽车充电负荷预测模型 | 第41-59页 |
| 3.1 引言 | 第41页 |
| 3.2 基于蒙特卡罗模型的电动汽车充电负荷计算方法 | 第41-42页 |
| 3.3 基于改进的COPULA算法的电动汽车负荷预测的算法设计 | 第42-52页 |
| 3.3.1 基于核密度估计函数对数据拟合 | 第42-45页 |
| 3.3.2 改进的copula算法 | 第45-50页 |
| 3.3.3 适合于电动汽车行驶规律的copula函数 | 第50页 |
| 3.3.4 基于copula算法的电动汽车负荷预测模型步骤 | 第50-52页 |
| 3.4 基于集群行为的EV充电负荷预测 | 第52-56页 |
| 3.4.1 行驶规律的数据拟合 | 第52-54页 |
| 3.4.2 充电行为建模 | 第54-56页 |
| 3.4.3 集群行为充电负荷预测结果及分析 | 第56页 |
| 3.5 区域充电站的预测结果及分析 | 第56-58页 |
| 3.6 本章小结 | 第58-59页 |
| 第4章 微电网日常负荷预测 | 第59-75页 |
| 4.1 引言 | 第59-60页 |
| 4.2 基本理论介绍 | 第60-65页 |
| 4.2.1 经验模态分解 | 第60-62页 |
| 4.2.2 回归支持向量机 | 第62-64页 |
| 4.2.3 粒子群算法 | 第64-65页 |
| 4.3 微电网负荷预测模型 | 第65-69页 |
| 4.3.1 数据属性及预处理 | 第65-67页 |
| 4.3.2 基于支持向量机的负荷预测模型 | 第67-68页 |
| 4.3.3 基于粒子群算法的参数优化模型 | 第68-69页 |
| 4.4 微电网负荷预测模型测试及实例分析 | 第69-73页 |
| 4.4.1 微电网负荷预测模型测试 | 第69-71页 |
| 4.4.2 微电网负荷预测样本分析 | 第71-72页 |
| 4.4.3 负荷预测数据分析 | 第72页 |
| 4.4.4 负荷预测误差总体分析 | 第72-73页 |
| 4.5 本章小结 | 第73-75页 |
| 第5章 结论与展望 | 第75-77页 |
| 5.1 结论 | 第75页 |
| 5.2 创新点 | 第75-76页 |
| 5.3 展望 | 第76-77页 |
| 附录 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 攻读学位期间参加的科研项目和成果 | 第85页 |
