| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 论文研究的背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 覆冰模型的理论研究 | 第11-12页 |
| 1.2.2 覆冰监测的实验研究 | 第12-13页 |
| 1.3 论文研究的主要内容 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 输电线路覆冰机理与短期预测相关技术 | 第15-21页 |
| 2.1 输电线路覆冰机理与形态分析 | 第15-16页 |
| 2.1.1 覆冰机理 | 第15页 |
| 2.1.2 典型覆冰形态分析 | 第15-16页 |
| 2.2 覆冰预测模型相关技术 | 第16-20页 |
| 2.2.1 极限学习机 | 第16-17页 |
| 2.2.2 支持向量机 | 第17-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 输电线路覆冰关键因素分析 | 第21-34页 |
| 3.1 数据分析及预处理 | 第21-26页 |
| 3.1.1 课题研究的案例基础 | 第21-22页 |
| 3.1.2 实验数据说明 | 第22-26页 |
| 3.2 线路覆冰的影响因素关联分析 | 第26-31页 |
| 3.2.1 灰色关联分析方法 | 第26-28页 |
| 3.2.2 线路覆冰典型实例分析 | 第28-31页 |
| 3.3 关联分析实验结果 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于遗传算法优化ELM的覆冰预测模型 | 第34-43页 |
| 4.1 极限学习机覆冰预测模型 | 第34-35页 |
| 4.1.1 引言 | 第34页 |
| 4.1.2 极限学习机覆冰预测模型设计步骤 | 第34-35页 |
| 4.2 ELM覆冰预测模型的遗传算法优化 | 第35-40页 |
| 4.2.1 遗传算法简介 | 第35-37页 |
| 4.2.2 GA-ELM覆冰预测模型的优化过程 | 第37-40页 |
| 4.3 实验结果分析 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 基于主成分分析的MEA-SVM历史预测模型 | 第43-52页 |
| 5.1 覆冰历史数据的主成分提取 | 第43-44页 |
| 5.1.1 主成分分析方法简介 | 第43页 |
| 5.1.2 模型输入的主成分提取 | 第43-44页 |
| 5.2 SVM覆冰预测模型 | 第44-46页 |
| 5.2.1 建模理论与流程 | 第44-45页 |
| 5.2.2 预测效果展示 | 第45-46页 |
| 5.3 基于思维进化算法的SVM覆冰优化模型 | 第46-48页 |
| 5.3.1 思维进化算法简介 | 第46-47页 |
| 5.3.2 优化设计步骤 | 第47-48页 |
| 5.4 实验结果分析 | 第48-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第57-58页 |
| 致谢 | 第58页 |