| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 负载识别方法研究的意义 | 第9页 |
| 1.2 负载识别方法研究的现状 | 第9-11页 |
| 1.3 论文研究内容及章节安排 | 第11-12页 |
| 第二章 负载特征的提取和选择 | 第12-30页 |
| 2.1 负载电流数据的采集 | 第12-13页 |
| 2.2 从负载电流数据中提取负载特征的特征工程概述 | 第13-14页 |
| 2.3 负载电流的时域特征 | 第14-18页 |
| 2.4 负载电流的频域特征 | 第18-22页 |
| 2.5 用于负载识别的电流负载特征选择 | 第22-30页 |
| 2.5.1 特征选择流程 | 第22-25页 |
| 2.5.2 多分类特征选择算法Relief-F | 第25-27页 |
| 2.5.3 基于Relief-F的电流负载特征的选择 | 第27-30页 |
| 第三章 负载识别BP神经网络的设计 | 第30-48页 |
| 3.1 从生物神经网络到人工神经网络 | 第30-31页 |
| 3.2 BP神经网络原理和算法实现 | 第31-38页 |
| 3.2.1 BP神经网络原理 | 第31-37页 |
| 3.2.2 BP算法的实现 | 第37-38页 |
| 3.3 负载识别BP神经网络的设计 | 第38-43页 |
| 3.4 负载识别BP神经网络的训练和识别 | 第43-48页 |
| 3.4.1 负载特征样本数据的归一化处理 | 第43-45页 |
| 3.4.2 负载识别BP神经网络的训练及其结果分析 | 第45-46页 |
| 3.4.3 负载识别BP神经网络的识别效果及分析 | 第46-48页 |
| 第四章 负载识别BP神经网络的优化 | 第48-62页 |
| 4.1 BP神经网络的局限性 | 第48页 |
| 4.2 BP神经网络的改进方法综述 | 第48-51页 |
| 4.3 粒子群优化算法 | 第51-53页 |
| 4.4 用粒子群优化算法优化BP神经网络 | 第53-56页 |
| 4.4.1 PSO-BP算法的实现 | 第53-54页 |
| 4.4.2 PSO优化参数的选择 | 第54-56页 |
| 4.5 基于粒子群优化的负载识别BP神经网络的训练和识别 | 第56-62页 |
| 4.5.1 训练及优化前后的训练结果对比分析 | 第56-59页 |
| 4.5.2 识别及优化前后的识别效果对比分析 | 第59-62页 |
| 第五章 总结及展望 | 第62-64页 |
| 5.1 总结 | 第62页 |
| 5.2 展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |
