首页--工业技术论文--电工技术论文--输配电工程、电力网及电力系统论文--理论与分析论文--电力系统规划论文

群智能算法与电力负荷预测研究

摘要第1-7页
Abstract第7-9页
目录第9-12页
插图索引第12-15页
插表索引第15-16页
第1章 绪论第16-35页
   ·引言第16-17页
     ·电力负荷预测的意义和作用第16页
     ·电力负荷预测的分类第16-17页
   ·电力负荷预测一般问题分析第17-24页
     ·影响电力负荷变化的因素第17-18页
     ·电力负荷变化的特点第18-19页
     ·电力负荷预测数据采集处理的基本要求第19-22页
     ·构建电力负荷预测数据模型的基本原则第22-23页
     ·电力负荷预测的步骤第23-24页
   ·电力负荷预测的研究方法及其现状第24-33页
     ·预测中原始数据的处理第24-25页
     ·中长期负荷预测方法和模型第25-27页
     ·短期负荷预测方法和模型第27-30页
     ·预测结果的分析与评价第30-33页
   ·本文的主要研究内容和章节安排第33-35页
第2章 群智能算法第35-48页
   ·蚁群优化算法第35-40页
     ·蚁群优化算法基本原理第35-39页
     ·连续蚁群优化算法流程第39-40页
     ·蚁群优化算法的优点与不足第40页
   ·粒子群优化算法第40-43页
     ·粒子群优化算法基本原理第40-42页
     ·粒子群优化算法流程第42页
     ·粒子群优化算法的优点与不足第42-43页
   ·蚁群算法研究现状第43-46页
     ·蚁群算法理论研究现状第43-45页
     ·蚁群算法应用研究现状第45-46页
   ·粒子群算法研究现状第46-47页
     ·粒子群优化算法理论研究现状第46-47页
     ·粒子群优化算法应用研究现状第47页
   ·本章小结第47-48页
第3章 群智能算法的测试和改进第48-60页
   ·算法测试分析第48-52页
   ·算法改进第52-59页
     ·改进的群智能算法第52页
     ·混合算法第52-54页
     ·算法测试第54-59页
   ·本章小结第59-60页
第4章 神经网络模型及其改进第60-73页
   ·神经网络模型第60-63页
     ·BP 神经网络第60-62页
     ·Elman 神经网络第62-63页
     ·隐含层节点数和节点传递函数第63页
   ·神经网络模型的改进第63-65页
     ·基于粒子群优化算法的神经网络模型第64-65页
     ·基于改进粒子群优化算法的神经网络模型第65页
     ·神经网络改进模型的优点和不足第65页
   ·算例第65-72页
     ·非线性函数拟合第66-69页
     ·混沌时间序列预测第69-72页
     ·结果分析第72页
   ·本章小结第72-73页
第5章 基于群智能算法的中长期电力负荷预测第73-81页
   ·电力负荷灰色预测第73-77页
     ·灰色生成第73-74页
     ·GM(1,1)模型第74-77页
   ·基于优化算法的GM(1,1)模型第77-78页
     ·基于PSO 优化算法的GM(1,1)模型第77-78页
     ·基于HA 和IPSO 优化算法的GM(1,1)模型第78页
   ·算例第78-80页
     ·实验仿真第78-79页
     ·实验结果分析第79-80页
   ·本章小结第80-81页
第6章 基于群智能算法的短期电力负荷预测第81-104页
   ·电力负荷预测初始工作第81-90页
     ·电力负荷原始数据预处理第81-88页
     ·电力负荷预测影响因素第88-89页
     ·神经网络训练样本构建第89-90页
   ·算例一第90-94页
   ·算例二第94-100页
     ·秋季负荷预测第94-97页
     ·夏季负荷预测第97-99页
     ·结果分析第99-100页
   ·最优小波包的短期电力负荷预测第100-102页
   ·本章小结第102-104页
总结与展望第104-106页
参考文献第106-114页
附录 A 攻读学位期间发表的主要学术论文目录第114-115页
附录 B 攻读学位期间所承担的主要科研项目第115-116页
附录 C 攻读学位期间所获得的奖励和专利第116-117页
致谢第117页

论文共117页,点击 下载论文
上一篇:量子点的制备、成像及其在化学生物分析中的应用研究
下一篇:塔式太阳能定日镜结构风荷载特性及风致响应研究