| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 主要符号表 | 第18-19页 |
| 1 绪论 | 第19-39页 |
| 1.1 选题背景和研究意义 | 第19-21页 |
| 1.2 中长期径流预报研究进展 | 第21-26页 |
| 1.2.1 传统预报方法 | 第22页 |
| 1.2.2 现代智能化预报方法 | 第22-26页 |
| 1.3 水电站群调度方法研究进展 | 第26-32页 |
| 1.3.1 常规优化调度方法 | 第26-30页 |
| 1.3.2 启发式智能优化调度方法 | 第30-32页 |
| 1.4 并行计算在水文水资源领域中的应用 | 第32-33页 |
| 1.5 面临的关键科学问题 | 第33-36页 |
| 1.5.1 水电站水库中长期径流预报精度 | 第34-35页 |
| 1.5.2 大规模梯级水电站群优化调度可建模及求解效率 | 第35页 |
| 1.5.3 远距离、长滞时入流对梯级电站中期优化调度影响 | 第35-36页 |
| 1.6 本文主要研究思路与内容 | 第36-39页 |
| 2 基于极端学习机算法的小波神经网络月径流预报模型 | 第39-63页 |
| 2.1 引言 | 第39-40页 |
| 2.2 前馈神经网络及其传统梯度下降算法存在的问题 | 第40-42页 |
| 2.3 基于极端学习机算法的小波神经网络月径流预报模型 | 第42-47页 |
| 2.3.1 极端学习机算法 | 第42-43页 |
| 2.3.2 小波变换及小波函数选择 | 第43-45页 |
| 2.3.3 基于极端学习机算法的小波神经网络模型 | 第45-47页 |
| 2.4 模型评价指标 | 第47-48页 |
| 2.5 应用实例 | 第48-61页 |
| 2.5.1 实例1-漫湾水电站月径流预报 | 第48-55页 |
| 2.5.2 实例2-洪家渡水电站月径流预报 | 第55-61页 |
| 2.6 本章小结 | 第61-63页 |
| 3 基于贝叶斯回声状态网络的日径流预报模型 | 第63-81页 |
| 3.1 引言 | 第63-64页 |
| 3.2 传统递归神经网络及其常用算法存在的问题 | 第64-65页 |
| 3.3 回声状态网络 | 第65-67页 |
| 3.3.1 回声状态网络结构特性 | 第65-66页 |
| 3.3.2 回声状态网络参数率定方法 | 第66-67页 |
| 3.4 贝叶斯回声状态网络模型 | 第67-71页 |
| 3.4.1 贝叶斯回声状态网络 | 第67-70页 |
| 3.4.2 超参数选择 | 第70页 |
| 3.4.3 模型参数率定 | 第70-71页 |
| 3.5 模型评价指标 | 第71页 |
| 3.6 应用实例 | 第71-80页 |
| 3.6.1 实例1：安砂水库日径流预测 | 第71-75页 |
| 3.6.2 实例2：新丰江水库日径流预测 | 第75-80页 |
| 3.7 本章小结 | 第80-81页 |
| 4 梯级水电站群长期优化调度并行混合差分演化算法 | 第81-101页 |
| 4.1 引言 | 第81-82页 |
| 4.2 长期优化调度问题描述 | 第82-83页 |
| 4.2.1 目标函数 | 第82页 |
| 4.2.2 约束条件 | 第82-83页 |
| 4.3 标准差分演化算法 | 第83-85页 |
| 4.4 标准差分演化算法改进策略 | 第85-89页 |
| 4.4.1 混沌理论 | 第85-86页 |
| 4.4.2 基于tent映射的初始解生成和差分演化控制参数动态调整策略 | 第86页 |
| 4.4.3 基于模拟退火算法的局部搜索策略 | 第86-87页 |
| 4.4.4 混沌模拟退火差分演化算法的基本流程 | 第87-89页 |
| 4.5 基于Fork/Join并行框架的多核并行混沌模拟退火差分演化算法(PCSADE) | 第89-91页 |
| 4.5.1 Fork/Join并行框架 | 第89页 |
| 4.5.2 并行算法实现 | 第89-91页 |
| 4.6 CSADE算法标准函数测试及性能分析 | 第91页 |
| 4.7 应用实例 | 第91-100页 |
| 4.7.1 计算条件 | 第93-94页 |
| 4.7.2 CSADE及其串行计算 | 第94-96页 |
| 4.7.3 PCSADE并行计算结果 | 第96-100页 |
| 4.8 本章小结 | 第100-101页 |
| 5 考虑滞时电量的水电系统中期期末蓄能最大模型及求解方法 | 第101-116页 |
| 5.1 引言 | 第101-102页 |
| 5.2 中期调度问题描述 | 第102-104页 |
| 5.2.1 模型描述 | 第102-103页 |
| 5.2.2 约束条件 | 第103-104页 |
| 5.3 模型求解策略 | 第104-111页 |
| 5.3.1 流量滞时处理方式 | 第104-105页 |
| 5.3.2 逐步优化算法 | 第105-107页 |
| 5.3.3 拉格朗日松弛法 | 第107页 |
| 5.3.4 逐次逼近算法 | 第107-108页 |
| 5.3.5 基于拉格朗日松弛法的求解策略 | 第108-111页 |
| 5.4 应用实例 | 第111-115页 |
| 5.5 本章小结 | 第115-116页 |
| 6 结论与展望 | 第116-120页 |
| 6.1 结论 | 第116-117页 |
| 6.2 创新点摘要 | 第117-118页 |
| 6.3 展望 | 第118-120页 |
| 参考文献 | 第120-131页 |
| 附录A 标准测试函数 | 第131-132页 |
| 攻读博士学位期间科研项目及科研成果 | 第132-135页 |
| 致谢 | 第135-136页 |
| 作者简介 | 第136页 |
