| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-23页 |
| 1.1 选题背景及研究意义 | 第10-15页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12-15页 |
| 1.2 国内外发展动态及研究现状 | 第15-21页 |
| 1.2.1 国内外电动汽车及充电基础设施发展动态 | 第15-16页 |
| 1.2.2 充电站选址国外研究现状 | 第16-18页 |
| 1.2.3 充电站选址国内研究现状 | 第18-21页 |
| 1.3 论文研究的主要内容 | 第21-23页 |
| 第2章 电动汽车充电站选址指标体系及DPSIR模型构建 | 第23-32页 |
| 2.1 能源互联网环境下对电动汽车充电站选址的要求 | 第23页 |
| 2.2 选址特点及充电设施国际标准 | 第23-25页 |
| 2.2.1 电动汽车充电站选址特点 | 第23-24页 |
| 2.2.2 充电设施国际标准 | 第24-25页 |
| 2.3 评价指标体系的建立 | 第25-29页 |
| 2.3.1 电网相关因素 | 第25-26页 |
| 2.3.2 经济因素 | 第26-27页 |
| 2.3.3 交通因素 | 第27-28页 |
| 2.3.4 技术因素 | 第28页 |
| 2.3.5 环境因素 | 第28页 |
| 2.3.6 规划因素 | 第28-29页 |
| 2.4 构建选址DPSIR模型 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 遗传算法优化的BP神经网络的充电站选址方法 | 第32-42页 |
| 3.1 神经网络概述 | 第32-33页 |
| 3.1.1 人工神经网络的基本特征 | 第32-33页 |
| 3.1.2 BP神经网络理论 | 第33页 |
| 3.2 基于遗传算法优化的BP神经网络算法 | 第33-35页 |
| 3.2.1 BP神经网络存在的不足 | 第33-34页 |
| 3.2.2 使用遗传算法对BP神经网络优化 | 第34页 |
| 3.2.3 使用遗传算法优化的BP神经网络优点分析 | 第34-35页 |
| 3.3 熵值法确定权重系数 | 第35-36页 |
| 3.4 算例分析 | 第36-41页 |
| 3.4.1 对定性指标进行定量化处理 | 第38页 |
| 3.4.2 数据归一化处理 | 第38-39页 |
| 3.4.3 使用熵值法计算各指标权重 | 第39-40页 |
| 3.4.4 使用Matlab计算遗传算法优化的BP神经网络值 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于改进物元可拓模型的充电站选址方法 | 第42-55页 |
| 4.1 物元可拓方法 | 第42-44页 |
| 4.1.1 基本的物元可拓理论 | 第42-43页 |
| 4.1.2 物元评价基本步骤 | 第43-44页 |
| 4.2 改进的物元可拓方法 | 第44-45页 |
| 4.3 算例分析 | 第45-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 基于蚁群聚类的RBF神经网络充电站选址方法 | 第55-64页 |
| 5.1 RBF神经网络 | 第55页 |
| 5.2 蚁群相关算法 | 第55-59页 |
| 5.2.1 蚁群聚类算法原理 | 第55-57页 |
| 5.2.2 遗传变异改进的蚁群聚类算法 | 第57-59页 |
| 5.3 算例分析 | 第59-62页 |
| 5.3.1 蚁群聚类算法确定RBF隐含层个数 | 第59-61页 |
| 5.3.2 基于RBF神经网络的充电站选址评价 | 第61-62页 |
| 5.4 方法比较分析 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第6章 研究成果和结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第70-71页 |
| 致谢 | 第71页 |
