| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 本文课题研究的背景和意义 | 第12-13页 |
| 1.2 配电网理论线损计算的特征 | 第13-14页 |
| 1.3 配电网线损计算国内外研究现状 | 第14-18页 |
| 1.3.1 传统的配电网理论线损计算方法分析 | 第14-17页 |
| 1.3.2 配电网理论线损计算方法最新研究现状 | 第17-18页 |
| 1.4 理论线损计算精度的不确定度 | 第18页 |
| 1.5 本文的主要研究内容 | 第18-20页 |
| 第二章 电能损耗理论计算基础和模型 | 第20-34页 |
| 2.1 配电网线损的有关概念 | 第20-23页 |
| 2.1.1 线损概念及分类 | 第20页 |
| 2.1.2 电能损耗的来源 | 第20-22页 |
| 2.1.3 理论电能损耗计算的功能 | 第22-23页 |
| 2.2 配电网电能损耗计算的理论相关理论基础 | 第23-25页 |
| 2.2.1 理论线损计算的相关需求 | 第23-24页 |
| 2.2.2 计算基本条件 | 第24页 |
| 2.2.3 初始资料和相关数据整理 | 第24-25页 |
| 2.3 配电网线损理论计算和分析的数学模型 | 第25-33页 |
| 2.3.1 已知负荷曲线时电能损耗的计算 | 第25-26页 |
| 2.3.2 中低压配电网电能损耗理论计算研究 | 第26-30页 |
| 2.3.3 35～220kV配电网线损的理论计算研究 | 第30-33页 |
| 2.4 小结 | 第33-34页 |
| 第三章 S地区配电网的电能损耗与负荷分析 | 第34-58页 |
| 3.1 典型负荷的分类 | 第34-35页 |
| 3.2 划分典型负荷分类标准 | 第35页 |
| 3.3 代表日的选取 | 第35-39页 |
| 3.3.1 Q型聚类法选取 | 第35-36页 |
| 3.3.2 选取代表日 | 第36-39页 |
| 3.4 配电网典型负荷的功率曲线研究 | 第39-40页 |
| 3.5 研究配电网典型负荷平均功率因数 | 第40-41页 |
| 3.6 基于负荷的S地区配电网电能损耗简析 | 第41-54页 |
| 3.6.1 配电网台区线损实例分析 | 第41-42页 |
| 3.6.2 基于配电网变压器容量的等值电阻法的分析 | 第42-43页 |
| 3.6.3 实验分析源数据获取 | 第43-52页 |
| 3.6.4 配电网中压电能损耗的简化 | 第52-53页 |
| 3.6.5 S地区配电网现状分析 | 第53-54页 |
| 3.7 中压电能损耗的计算结果汇总 | 第54-56页 |
| 3.8 本章小结 | 第56-58页 |
| 第四章 复合学习算法配电网电能损耗计算模型 | 第58-70页 |
| 4.1 复合学习算法介绍 | 第58页 |
| 4.2 BP神经网络 | 第58-60页 |
| 4.2.1 BP网络学习过程 | 第58-59页 |
| 4.2.2 BP神经网络算法介绍 | 第59-60页 |
| 4.3 BP神经网络算法模型分析 | 第60-62页 |
| 4.3.1 算法思想分析 | 第60页 |
| 4.3.2 BP神经网络的模型分析 | 第60-62页 |
| 4.4 基于BP神经网络的电能损耗计算模型 | 第62-64页 |
| 4.5 PSO-GRNN学习算法概述 | 第64-68页 |
| 4.5.1 广义回归神经网络介绍 | 第64-65页 |
| 4.5.2 粒子群算法介绍 | 第65页 |
| 4.5.3 PSO-GRNN学习算法工作过程 | 第65-66页 |
| 4.5.4 理论电能损耗计算的数学模型 | 第66-67页 |
| 4.5.5 复合学习算法设计概述 | 第67-68页 |
| 4.6 本章小结 | 第68-70页 |
| 第五章 S地区配电网电能损耗监测与分析 | 第70-84页 |
| 5.1 基于BP神经网络的电能损耗监测与分析 | 第70-75页 |
| 5.2 基于PSO-GRNN复合算法的电能损耗监测与分析 | 第75-82页 |
| 5.3 小结 | 第82-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 本文主要成果与创新点 | 第84页 |
| 6.2 展望 | 第84-86页 |
| 致谢 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 附录A (攻读学位其间发表论文目录) | 第92-94页 |
| 附录B (攻读学位其间发表软件著作权目录) | 第94页 |
