| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究目的和意义 | 第9-10页 |
| 1.2 国内外相关方向研究现状 | 第10-14页 |
| 1.2.1 智能配电网与微网的研究现状 | 第10-11页 |
| 1.2.2 智能配电网馈线负荷预测的研究现状 | 第11-12页 |
| 1.2.3 分布式发电预测的研究现状 | 第12-14页 |
| 1.3 相关方向有待深入研究的问题 | 第14-15页 |
| 1.4 本文主要研究内容 | 第15-16页 |
| 第2章 智能配电网各类馈线负荷模式的建立 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 智能配电网各类馈线负荷特征分析 | 第16-21页 |
| 2.2.1 馈线用户负荷分析 | 第16-18页 |
| 2.2.2 馈线分布式负荷分析 | 第18-20页 |
| 2.2.3 馈线净负荷分析 | 第20-21页 |
| 2.3 各类馈线负荷模式的建立 | 第21-24页 |
| 2.3.1 基于 C 模糊聚类的用户负荷模式建立 | 第22-23页 |
| 2.3.2 基于 K 均值聚类的光伏负荷模式建立 | 第23-24页 |
| 2.4 算例分析 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 智能配电网馈线用户负荷预测 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 预测误差评估指标的选取 | 第28-30页 |
| 3.3 基于鲁棒回归分析的用户负荷预测 | 第30-34页 |
| 3.3.1 预测模型的建立 | 第30-32页 |
| 3.3.2 预测流程 | 第32-34页 |
| 3.4 基于改进 ELMAN 神经网络的用户负荷预测 | 第34-39页 |
| 3.4.1 神经网络结构 | 第34-36页 |
| 3.4.2 L-M 学习算法 | 第36-37页 |
| 3.4.3 预测流程 | 第37-39页 |
| 3.5 算例分析 | 第39-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 智能配电网馈线分布式负荷及净负荷预测 | 第42-59页 |
| 4.1 引言 | 第42页 |
| 4.2 基于小波去噪时间序列的风电负荷预测 | 第42-48页 |
| 4.2.1 风电负荷时间序列的小波去噪 | 第42-44页 |
| 4.2.2 ARMA 时间序列预测的模型建立 | 第44-46页 |
| 4.2.3 预测流程 | 第46-48页 |
| 4.3 基于 GRNN 神经网络的光伏负荷预测 | 第48-53页 |
| 4.3.1 神经网络的结构 | 第48-50页 |
| 4.3.2 预测模型的建立 | 第50-51页 |
| 4.3.3 预测流程 | 第51-53页 |
| 4.4 基于各类馈线负荷重组的净负荷预测 | 第53-54页 |
| 4.4.1 负荷重组预测方法 | 第53页 |
| 4.4.2 预测流程 | 第53-54页 |
| 4.5 算例分析 | 第54-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第5章 智能配电网馈线负荷预测系统 | 第59-67页 |
| 5.1 引言 | 第59页 |
| 5.2 系统后台数据仓库设计 | 第59-61页 |
| 5.2.1 系统需求分析 | 第59-60页 |
| 5.2.2 数据仓库建立 | 第60-61页 |
| 5.3 系统功能设计 | 第61-62页 |
| 5.4 系统功能实现 | 第62-66页 |
| 5.5 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第73-75页 |
| 致谢 | 第75页 |