改进粒子群算法在电力负荷预测中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 电力负荷预测概况 | 第10-13页 |
| 1.2.2 粒子群算法的概况 | 第13页 |
| 1.3 论文章节安排 | 第13-15页 |
| 第2章 电力负荷预测及算法应用 | 第15-35页 |
| 2.1 电力负荷预测的基本原理 | 第15-24页 |
| 2.1.1 电力负荷预测特性及影响因素 | 第16-20页 |
| 2.1.2 电力负荷预测的基本过程 | 第20-24页 |
| 2.2 粒子群优化算法基本原理和特点 | 第24-29页 |
| 2.2.1 PSO算法参数设置和分析 | 第26-27页 |
| 2.2.2 粒子群优化算法基本流程 | 第27-29页 |
| 2.3 BP神经网络 | 第29-34页 |
| 2.3.1 BP神经网络基本概念及原理 | 第29-31页 |
| 2.3.2 BP神经网络学习过程及优缺点比较 | 第31-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 对粒子群算法的改进 | 第35-43页 |
| 3.1 现有粒子群优化算法的改进 | 第35-37页 |
| 3.2 IPSO-BP神经网络算法 | 第37-42页 |
| 3.2.1 对粒子群算法的改进 | 第37-39页 |
| 3.2.2 与BP神经网络的结合 | 第39-41页 |
| 3.2.3 IPSO-BP神经网络算法的训练过程 | 第41-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第4章 IPSO-BP算法在电力负荷预测中的应用 | 第43-51页 |
| 4.1 算法应用 | 第44-47页 |
| 4.1.1 IPSO-BP神经网络算法的参数设置 | 第44-46页 |
| 4.1.2 IPSO-BP神经网络算法的实现 | 第46-47页 |
| 4.2 算法的比较与分析 | 第47-49页 |
| 4.3 本章小结 | 第49-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-58页 |
| 作者简介 | 第58页 |
