| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 微电网的研究现状 | 第10-14页 |
| 1.2.1 美国的微电网研究 | 第10-11页 |
| 1.2.2 欧洲的微电网研究 | 第11-12页 |
| 1.2.3 日本的微电网研究 | 第12-13页 |
| 1.2.4 中国的微电网研究 | 第13-14页 |
| 1.3 微电网能量管理研究 | 第14-17页 |
| 1.3.1 微电网负荷预测研究 | 第14-16页 |
| 1.3.2 微电网能量优化调度研究 | 第16-17页 |
| 1.4 本文的主要内容 | 第17-19页 |
| 第二章 微电网负荷预测 | 第19-27页 |
| 2.1 微电网负荷的基本概念 | 第19页 |
| 2.2 微电网负荷特性分析 | 第19-21页 |
| 2.2.1 微电网负荷的波动性 | 第19-20页 |
| 2.2.2 微电网负荷的周期性 | 第20-21页 |
| 2.3 历史数据预处理 | 第21-23页 |
| 2.3.1 缺失数据的处理 | 第22页 |
| 2.3.2 异常数据的检测和修正 | 第22-23页 |
| 2.4 微电网预测的步骤及误差分析 | 第23-26页 |
| 2.4.1 微电网负荷预测的步骤 | 第23-24页 |
| 2.4.2 预测误差分析 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于RBF神经网络负荷预测 | 第27-40页 |
| 3.1 人工神经网络简介 | 第27-28页 |
| 3.2 RBF神经网络的基本原理 | 第28-31页 |
| 3.2.1 基本原理 | 第28-30页 |
| 3.2.2 学习准则及训练过程 | 第30-31页 |
| 3.3 灰色关联度分析及预测模型的建立 | 第31-36页 |
| 3.3.1 灰色关联度分析方法 | 第32-33页 |
| 3.3.2 确定预测模型的输入变量 | 第33-35页 |
| 3.3.3 样本数据的归一化 | 第35-36页 |
| 3.4 仿真分析 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 两种改进型神经网络负荷预测 | 第40-59页 |
| 4.1 基于EEMD-SE方法的RBF神经网络模型建立及预测 | 第40-49页 |
| 4.1.1 经验模式分解 | 第40-41页 |
| 4.1.2 集合经验模式分解 | 第41-42页 |
| 4.1.3 样本熵 | 第42-43页 |
| 4.1.4 EEMD-SE-RBF神经网络模型 | 第43-44页 |
| 4.1.5 仿真分析 | 第44-49页 |
| 4.2 基于PSOGSA优化灰色神经网络预测模型 | 第49-56页 |
| 4.2.1 灰色神经网络 | 第49-50页 |
| 4.2.2 PSOGSA算法原理 | 第50-52页 |
| 4.2.3 PSOGSA优化灰色神经网络算法设计 | 第52-53页 |
| 4.2.4 仿真分析 | 第53-56页 |
| 4.3 预测结果评价 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 微电网分布式能源运行优化研究 | 第59-75页 |
| 5.1 微电网系统结构 | 第59-60页 |
| 5.2 发电和储能单元的特性及模型 | 第60-65页 |
| 5.2.1 光伏电池的特性及模型 | 第60-62页 |
| 5.2.2 风力发电机的特性及模型 | 第62-63页 |
| 5.2.3 蓄电池的特性及模型 | 第63-65页 |
| 5.3 微电网能量调度策略和优化模型 | 第65-68页 |
| 5.3.1 微电网能量调度策略 | 第65页 |
| 5.3.2 微电网优化模型 | 第65-67页 |
| 5.3.3 求解流程 | 第67-68页 |
| 5.4 仿真模型分析 | 第68-74页 |
| 5.4.1 基础数据 | 第68-70页 |
| 5.4.2 算例分析 | 第70-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 结论与展望 | 第75-77页 |
| 6.1 研究总结 | 第75页 |
| 6.2 展望 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 发表论文和科研情况说明 | 第82-83页 |
| 致谢 | 第83页 |