| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 注释表 | 第11-12页 |
| 缩略词 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 用户侧负荷预测 | 第15-16页 |
| 1.2.2 分布式电源预测 | 第16-17页 |
| 1.2.3 微电网能效管理 | 第17-18页 |
| 1.3 主要研究内容 | 第18-19页 |
| 1.4 论文的组织结构 | 第19-21页 |
| 第二章 预测方法与能效管理研究 | 第21-26页 |
| 2.1 预测方法概述 | 第21-23页 |
| 2.2 能效管理方法概述 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 微网中用户侧短期负荷预测 | 第26-37页 |
| 3.1 微电网负荷特性分析 | 第26页 |
| 3.2 人体舒适度指数 | 第26-27页 |
| 3.3 集合经验模态分解算法 | 第27-30页 |
| 3.4 长短期记忆神经网络预测算法 | 第30-34页 |
| 3.4.1 循环神经网络(RNN) | 第31-32页 |
| 3.4.2 基于LSTM的RNN预测模型 | 第32-34页 |
| 3.5 算例分析 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于Xgboost多因素权重优化的微网分布式电源预测 | 第37-47页 |
| 4.1 光伏发电的影响因素 | 第37-38页 |
| 4.2 基于权重优化聚类的同类型日选取 | 第38-41页 |
| 4.2.1 基于Xgboost的权重优化 | 第38-40页 |
| 4.2.2 相似日的选取 | 第40-41页 |
| 4.3 LS-SVM光伏功率预测模型 | 第41-43页 |
| 4.4 实验及结果分析 | 第43-45页 |
| 4.4.1 性能指标与实验环境 | 第43-44页 |
| 4.4.2 预测模型实验与结果分析 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第五章 基于智能计算的能效管理优化模型 | 第47-57页 |
| 5.1 智能调度模型的建立 | 第47-49页 |
| 5.2 动态多目标智能算法 | 第49-52页 |
| 5.2.1 NSGA-II算法 | 第49页 |
| 5.2.2 动态多目标智能算法 | 第49-52页 |
| 5.3 实验及结果分析 | 第52-55页 |
| 5.3.1 算例基本情况 | 第52-53页 |
| 5.3.2 智能调度策略结果分析 | 第53-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 研究工作总结 | 第57-58页 |
| 6.2 下一步工作展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65-66页 |
| 在学期间的研究成果及发表的学术论文 | 第66页 |