| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-15页 |
| 1.1 负荷预测研究的背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 负荷总量预测研究现状 | 第11-12页 |
| 1.2.2 空间负荷预测研究现状 | 第12-13页 |
| 1.3 本文研究的主要内容 | 第13-15页 |
| 2 基于遗传算法的组合负荷预测 | 第15-24页 |
| 2.1 传统预测方法 | 第15-17页 |
| 2.1.1 灰色理论法 | 第15-16页 |
| 2.1.2 多项式法 | 第16页 |
| 2.1.3 指数平滑法 | 第16-17页 |
| 2.1.4 曲线拟合法 | 第17页 |
| 2.2 智能预测方法 | 第17-18页 |
| 2.2.1 人工神经网络法 | 第17-18页 |
| 2.2.2 模糊预测法 | 第18页 |
| 2.2.3 支持向量机 | 第18页 |
| 2.3 基于遗传算法优化的月度负荷组合预测模型 | 第18-23页 |
| 2.3.1 负荷组合预测模型 | 第19页 |
| 2.3.2 遗传算法 | 第19-21页 |
| 2.3.3 算例仿真 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于小波分析的并行膜混合核支持向量机负荷预测方法 | 第24-41页 |
| 3.1 小波分析方法 | 第24-26页 |
| 3.1.1 小波多分辨率分析方法 | 第24-25页 |
| 3.1.2 Mallat算法 | 第25-26页 |
| 3.2 并行膜计算 | 第26-28页 |
| 3.3 混合核函数支持向量机 | 第28-33页 |
| 3.3.1 支持向量机回归原理 | 第29-31页 |
| 3.3.2 最小二乘支持向量机 | 第31-32页 |
| 3.3.3 支持向量机核函数 | 第32-33页 |
| 3.4 粒子群算法 | 第33-35页 |
| 3.4.1 标准粒子群参数优化原理 | 第33-34页 |
| 3.4.2 改进粒子群算法 | 第34-35页 |
| 3.5 输入变量及样本的选取与处理 | 第35-36页 |
| 3.6 负荷预测模型流程图 | 第36-37页 |
| 3.7 算例分析 | 第37-40页 |
| 3.8 本章小结 | 第40-41页 |
| 4 空间负荷预测 | 第41-52页 |
| 4.1 空间负荷预测方法分类 | 第41-42页 |
| 4.2 分类分区预测法 | 第42-44页 |
| 4.2.1 分类分区预测模型 | 第43页 |
| 4.2.2 分类分区原则 | 第43-44页 |
| 4.3 配电网空间负荷预测相关因素分析 | 第44-51页 |
| 4.3.1 同时率和负荷曲线 | 第44-45页 |
| 4.3.2 小区用地类型分类 | 第45-46页 |
| 4.3.3 小区负荷增长特性 | 第46页 |
| 4.3.4 饱和密度指标 | 第46-48页 |
| 4.3.5 改进的分区负荷预测 | 第48-49页 |
| 4.3.6 空间负荷预测模型 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 规划实例分析 | 第52-65页 |
| 5.1 规划区负荷预测思路及方法 | 第52页 |
| 5.2 现状和历史年负荷情况及负荷特性分析 | 第52-57页 |
| 5.2.1 现状及历史年负荷情况分析 | 第52-54页 |
| 5.2.2 负荷特性分析 | 第54-55页 |
| 5.2.3 负荷影响因素 | 第55-57页 |
| 5.3 规划区负荷总量预测 | 第57-59页 |
| 5.4 规划区空间负荷预测 | 第59-63页 |
| 5.4.1 负荷分类及用地划分 | 第59-61页 |
| 5.4.2 负荷密度指标确定 | 第61-63页 |
| 5.4.3 空间负荷预测结果 | 第63页 |
| 5.5 规划区负荷预测结果分析 | 第63-64页 |
| 5.6 本章小结 | 第64-65页 |
| 6 结论与展望 | 第65-67页 |
| 6.1 结论 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读硕士学位期间发表论文及科研成果 | 第70-71页 |
| 致谢 | 第71-72页 |