| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究进展 | 第11-17页 |
| 1.2.1 中长期径流预报国内外研究进展 | 第11-15页 |
| 1.2.2 中期发电调度国内外研究进展 | 第15-17页 |
| 1.3 本文研究内容及框架 | 第17-19页 |
| 2 基于遗传算法参数寻优的支持向量机长期径流预报 | 第19-35页 |
| 2.1 前言 | 第19页 |
| 2.2 统计学习理论 | 第19-21页 |
| 2.3 基于支持向量机的中长期径流预报 | 第21-26页 |
| 2.3.1 支持向量分类机 | 第21-25页 |
| 2.3.2 支持向量回归机 | 第25-26页 |
| 2.3.3 基于SVR的中长期径流预报 | 第26页 |
| 2.4 遗传算法参数寻优的支持向量机 | 第26-31页 |
| 2.4.1 支持向量机参数选择面临的问题 | 第26-28页 |
| 2.4.2 遗传算法 | 第28-29页 |
| 2.4.3 基于遗传算法寻参的支持向量机模型 | 第29-31页 |
| 2.5 实例与应用 | 第31-34页 |
| 2.5.1 工程背景 | 第31-32页 |
| 2.5.2 预报因子和参数选择 | 第32页 |
| 2.5.3 模型评价指标 | 第32页 |
| 2.5.4 结果分析 | 第32-34页 |
| 2.6 小结 | 第34-35页 |
| 3 基于广义回归神经网络(GRNN)的中期径流预报 | 第35-46页 |
| 3.1 前言 | 第35页 |
| 3.2 广义回归神经网络 | 第35-38页 |
| 3.2.1 GRNN网络结构 | 第35-37页 |
| 3.2.2 GRNN基本理论 | 第37-38页 |
| 3.2.3 GRNN与BP模型对比分析 | 第38页 |
| 3.3 基于广义回归网络的中期径流预报 | 第38-41页 |
| 3.3.1 GRRN求解径流预报的基本思路 | 第38-39页 |
| 3.3.2 GRNN参数确定方法 | 第39-40页 |
| 3.3.3 GRNN径流预报流程 | 第40-41页 |
| 3.4 实例与应用 | 第41-45页 |
| 3.4.1 工程背景 | 第41-42页 |
| 3.4.2 预报因子的确定 | 第42页 |
| 3.4.3 数据预处理和光滑参数的确定 | 第42-43页 |
| 3.4.4 模型评价指标 | 第43页 |
| 3.4.5 结果分析 | 第43-45页 |
| 3.5 小结 | 第45-46页 |
| 4 基于遗传算法的中期水电调峰调度 | 第46-59页 |
| 4.1 前言 | 第46页 |
| 4.2 调峰出力最大模型 | 第46-48页 |
| 4.2.1 目标函数及其替换 | 第46-48页 |
| 4.2.2 约束条件 | 第48页 |
| 4.3 遗传算法求解的中期水电调峰调度 | 第48-51页 |
| 4.3.1 梯级电站计算顺序确定方式 | 第49页 |
| 4.3.2 编码方式 | 第49页 |
| 4.3.3 适应度函数 | 第49-50页 |
| 4.3.4 遗传操作 | 第50页 |
| 4.3.5 遗传算法求解流程图 | 第50-51页 |
| 4.4 实例与运用 | 第51-58页 |
| 4.4.1 工程背景 | 第51-53页 |
| 4.4.2 模型参数选择 | 第53页 |
| 4.4.3 调峰评价指标 | 第53页 |
| 4.4.4 计算结果分析 | 第53-58页 |
| 4.5 小结 | 第58-59页 |
| 5 总结与展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间发表学术论文情况 | 第67-68页 |
| 致谢 | 第68-69页 |