| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第18-37页 |
| 1.1 选题背景及研究意义 | 第18-20页 |
| 1.2 国内外研究现状 | 第20-33页 |
| 1.2.1 微网风险管理方面 | 第20-23页 |
| 1.2.2 能源大数据方面 | 第23-26页 |
| 1.2.3 风险与风险元传递理论方面 | 第26-31页 |
| 1.2.4 微网优化决策方面 | 第31-32页 |
| 1.2.5 相关文献研究述评 | 第32-33页 |
| 1.3 论文主要内容及结构 | 第33-34页 |
| 1.4 论文研究创新点 | 第34-37页 |
| 第2章 能源大数据对微网风险管理的影响 | 第37-55页 |
| 2.1 引言 | 第37-38页 |
| 2.2 微网运营中的大数据 | 第38-40页 |
| 2.2.1 风电大数据 | 第38页 |
| 2.2.2 光伏发电大数据 | 第38-39页 |
| 2.2.3 供用电大数据 | 第39-40页 |
| 2.3 能源大数据对微网风险管理的影响分析 | 第40-42页 |
| 2.3.1 风险管理涉及的因素变化 | 第40-42页 |
| 2.3.2 微网风险管理需要新理论 | 第42页 |
| 2.4 微网运营中的风险元传递 | 第42-54页 |
| 2.4.1 风险元传递的定义 | 第42-43页 |
| 2.4.2 风险元的分类定义 | 第43-44页 |
| 2.4.3 风险元的定量表示与度量 | 第44-48页 |
| 2.4.4 风险元传递的结构 | 第48-51页 |
| 2.4.5 微网风险元传递方法 | 第51-54页 |
| 2.5 本章小结 | 第54-55页 |
| 第3章 大数据背景下微网发电量风险元挖掘模型 | 第55-71页 |
| 3.1 引言 | 第55-58页 |
| 3.1.1 马尔可夫预测 | 第56-57页 |
| 3.1.2 拉丁超立方抽样 | 第57-58页 |
| 3.2 微网潮流预测方法 | 第58-59页 |
| 3.3 微网潮流确定性预测 | 第59-61页 |
| 3.3.1 风速及风电功率预测 | 第59-60页 |
| 3.3.2 光照强度及光伏发电功率预测 | 第60-61页 |
| 3.3.3 微网潮流确定性预测模型 | 第61页 |
| 3.4 微网概率潮流预测 | 第61-64页 |
| 3.4.1 风速及光照强度的概率分布预测 | 第61-62页 |
| 3.4.2 风速及光照强度的LHC | 第62-63页 |
| 3.4.3 风光联合概率潮流预测 | 第63-64页 |
| 3.4.4 预测潮流的置信区间 | 第64页 |
| 3.5 算例分析 | 第64-70页 |
| 3.6 本章小结 | 第70-71页 |
| 第4章 大数据背景下微网用电量风险元挖掘模型 | 第71-88页 |
| 4.1 引言 | 第71-72页 |
| 4.2 LSSVM模型和MFO算法的基础理论 | 第72-76页 |
| 4.2.1 LSSVM模型的基础理论 | 第72-73页 |
| 4.2.2 MFO算法的基础理论 | 第73-76页 |
| 4.3 大数据背景下的电力负荷预测模型 | 第76-77页 |
| 4.4 算例分析 | 第77-84页 |
| 4.5 预测绩效评估 | 第84-87页 |
| 4.6 本章小结 | 第87-88页 |
| 第5章 大数据背景下微网风险元双向传递模型 | 第88-98页 |
| 5.1 引言 | 第88-89页 |
| 5.2 双向风险元传递 | 第89-90页 |
| 5.3 考虑微网风光储数据的无风险供电分析 | 第90-94页 |
| 5.3.1 风光储微网系统模型 | 第90-91页 |
| 5.3.2 微网运行大数据分析 | 第91-94页 |
| 5.4 考虑大电网数据的双向风险分析 | 第94-97页 |
| 5.4.1 双向风险元传递分析 | 第94-95页 |
| 5.4.2 各微网调用大电网供电分析 | 第95-96页 |
| 5.4.3 算例分析 | 第96-97页 |
| 5.5 本章小结 | 第97-98页 |
| 第6章 大数据背景下微网群网络风险元传递模型 | 第98-112页 |
| 6.1 引言 | 第98-103页 |
| 6.1.1 网络的定义及表示方式 | 第99页 |
| 6.1.2 复杂网络的特征度量 | 第99-100页 |
| 6.1.3 复杂网络的分类 | 第100-101页 |
| 6.1.4 复杂网络传播动力学模型SIS | 第101-103页 |
| 6.2 大数据背景下的微网群复杂网络模型 | 第103-105页 |
| 6.2.1 微网群复杂网络行为特征 | 第103-104页 |
| 6.2.2 微网群复杂网络模型构建 | 第104-105页 |
| 6.3 微网群网络风险元传递 | 第105-107页 |
| 6.3.1 微网群网络风险元传递分析 | 第106页 |
| 6.3.2 平均场分析 | 第106-107页 |
| 6.4 算例分析 | 第107-111页 |
| 6.4.1 微网群复杂网络特性仿真与分析 | 第107-108页 |
| 6.4.2 微网群网络风险元传递仿真与分析 | 第108-111页 |
| 6.5 本章小结 | 第111-112页 |
| 第7章 大数据背景下微网结构智能仿生优化模型 | 第112-127页 |
| 7.1 引言 | 第112-113页 |
| 7.2 大数据背景下微网中各DG的功率外特性模型 | 第113-116页 |
| 7.2.1 风力发电的功率外特性模型 | 第114页 |
| 7.2.2 光伏阵列的功率外特性模型 | 第114-115页 |
| 7.2.3 微型燃气轮机的功率外特性模型 | 第115页 |
| 7.2.4 储能蓄电池的功率外特性模型 | 第115-116页 |
| 7.3 考虑风光储数据的微网容量多目标优化函数 | 第116-118页 |
| 7.3.1 经济性目标 | 第116-117页 |
| 7.3.2 供电可靠性目标 | 第117页 |
| 7.3.3 环境效益目标 | 第117-118页 |
| 7.3.4 多目标函数 | 第118页 |
| 7.4 基于混沌优化多目标遗传算法的微网系统容量配置 | 第118-123页 |
| 7.4.1 混沌优化多目标遗传算法的关键技术 | 第118-119页 |
| 7.4.2 混沌优化多目标遗传算法的实现步骤 | 第119-121页 |
| 7.4.3 混沌优化多目标遗传算法的性能测试 | 第121-123页 |
| 7.5 算例分析 | 第123-127页 |
| 7.6 本章小结 | 第127页 |
| 第8章 大数据背景下微网备用容量优化模型 | 第127-150页 |
| 8.1 引言 | 第127-128页 |
| 8.2 样本数据分析与离散傅立叶变换 | 第128-131页 |
| 8.2.1 样本数据分析 | 第128-130页 |
| 8.2.2 离散傅立叶变换 | 第130-131页 |
| 8.3 考虑自有电量波动的备用容量优化 | 第131-138页 |
| 8.3.1 自有电量波动下储能系统容量确定 | 第131-135页 |
| 8.3.2 算例分析 | 第135-138页 |
| 8.4 考虑联络线功率波动的备用容量优化 | 第138-149页 |
| 8.4.1 联络线功率波动下储能系统容量确定 | 第139-142页 |
| 8.4.2 算例分析 | 第142-149页 |
| 8.5 本章小结 | 第149-150页 |
| 第9章 研究成果和结论 | 第150-152页 |
| 参考文献 | 第152-168页 |
| 攻读博士学位期间发表的论文及其它成果 | 第168-170页 |
| 攻读博士学位期间参加的科研工作 | 第170-171页 |
| 致谢 | 第171-172页 |
| 作者简介 | 第172页 |