海上油田群电网短期负荷预测研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 电力负荷预测分类与流程 | 第9-10页 |
| 1.3 短期负荷预测研究现状 | 第10-13页 |
| 1.3.1 传统预测方法 | 第10-12页 |
| 1.3.2 人工智能方法 | 第12-13页 |
| 1.4 本文研究的具体问题及章节安排 | 第13-15页 |
| 1.4.1 本文研究的具体问题 | 第13页 |
| 1.4.2 章节安排 | 第13-15页 |
| 第2章 电力负荷特性分析 | 第15-24页 |
| 2.1 海上油田群电网 | 第15-18页 |
| 2.1.1 海上油田群电网结构 | 第15-17页 |
| 2.1.2 海上油田群电网特殊性 | 第17页 |
| 2.1.3 海上油田群电网负荷预测特点 | 第17-18页 |
| 2.2 负荷预测原理 | 第18-19页 |
| 2.3 负荷预测特性分析 | 第19-23页 |
| 2.3.1 基本负荷分量 | 第19-20页 |
| 2.3.2 多外部随机负荷分量 | 第20-22页 |
| 2.3.3 样本选择若干原则 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 支持向量机与蜻蜓算法基本原理 | 第24-38页 |
| 3.1 支持向量机 | 第24-32页 |
| 3.1.1 机器学习介绍 | 第24-28页 |
| 3.1.2 SVM线性回归 | 第28-30页 |
| 3.1.3 SVM非线性回归 | 第30-31页 |
| 3.1.4 核函数 | 第31-32页 |
| 3.2 蜻蜓优化算法 | 第32-37页 |
| 3.2.1 群智能算法 | 第32-33页 |
| 3.2.2 蜻蜓算法基本原理 | 第33-36页 |
| 3.2.3 蜻蜓算法寻优步骤 | 第36-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第4章 基于DA-SVM的短期电力负荷预测 | 第38-45页 |
| 4.1 参数优化 | 第38-39页 |
| 4.1.1 核函数选取 | 第38-39页 |
| 4.1.2 参数优化方法 | 第39页 |
| 4.2 数据预处理 | 第39-41页 |
| 4.2.1 异常数据处理 | 第39-40页 |
| 4.2.2 数据归一化处理 | 第40-41页 |
| 4.3 误差评判标准 | 第41-42页 |
| 4.4 基于DA-SVM的短期负荷预测步骤 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 预测实例分析 | 第45-58页 |
| 5.1 基于PSO-SVM的短期负荷预测 | 第45-48页 |
| 5.2 基于GA-SVM的短期负荷预测 | 第48-51页 |
| 5.3 基于BPNN的短期负荷预测 | 第51-54页 |
| 5.4 基于DA-SVM的短期负荷预测 | 第54-55页 |
| 5.5 算例结果对比分析 | 第55-57页 |
| 5.6 本章小结 | 第57-58页 |
| 第6章 结论与展望 | 第58-60页 |
| 6.1 本文结论 | 第58页 |
| 6.2 未来工作展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64-66页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第66页 |
