| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 引言 | 第14-15页 |
| 1.2 机器学习及深度学习发展过程 | 第15-17页 |
| 1.3 机器学习及深度学习研究现状 | 第17-20页 |
| 1.3.1 机器学习回归分析 | 第17-19页 |
| 1.3.2 深度学习研究现状 | 第19-20页 |
| 1.3.3 递归神经网络研究现状 | 第20页 |
| 1.4 本文的主要工作内容和贡献 | 第20-21页 |
| 1.5 本文的组织结构 | 第21-22页 |
| 第2章 发电机组排放预测及发电调度研究现状 | 第22-30页 |
| 2.1 发电机组排放预测研究现状 | 第22-23页 |
| 2.1.1 多项式预测模型 | 第22-23页 |
| 2.1.2 基于SVM的预测模型 | 第23页 |
| 2.2 发电调度算法研究现状 | 第23-25页 |
| 2.2.1 人工神经网络 | 第24页 |
| 2.2.2 遗传算法 | 第24-25页 |
| 2.2.3 粒子群优化算法 | 第25页 |
| 2.3 蚁群算法研究现状 | 第25-29页 |
| 2.3.1 启发式算法 | 第26页 |
| 2.3.2 蚁群优化算法 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于RNN的发电机组排放预测 | 第30-54页 |
| 3.1 数据及预测模型形式化描述 | 第30-32页 |
| 3.1.1 数据介绍及预测模型目标函数 | 第30-32页 |
| 3.1.2 预测评价指标 | 第32页 |
| 3.2 基于RNN的发电机组排放量预测模型 | 第32-39页 |
| 3.2.1 模型框图 | 第32-34页 |
| 3.2.2 数据归一化处理 | 第34页 |
| 3.2.3 Batch Normalization | 第34-36页 |
| 3.2.4 LSTM层 | 第36-39页 |
| 3.3 深度神经网络激活函数改进研究 | 第39-45页 |
| 3.3.1 常用激活函数特点及其效果 | 第39-42页 |
| 3.3.2 激活函数改进方案 | 第42-44页 |
| 3.3.3 实验验证 | 第44-45页 |
| 3.4 其他模型性能提升方法研究 | 第45-50页 |
| 3.4.1 BN-RNN | 第45-46页 |
| 3.4.2 timesteps选择 | 第46-48页 |
| 3.4.3 数据归一化 | 第48-49页 |
| 3.4.4 抗过拟合方法 | 第49-50页 |
| 3.5 实验结果及分析 | 第50-52页 |
| 3.5.1 模型训练效果 | 第50-51页 |
| 3.5.2 模型对比实验 | 第51-52页 |
| 3.6 本章小结 | 第52-54页 |
| 第4章 基于蚁群算法的发电调度研究 | 第54-64页 |
| 4.1 引言 | 第54页 |
| 4.2 实时发电调度系统 | 第54-57页 |
| 4.2.1 发电调度系统结构设计 | 第54-56页 |
| 4.2.2 发电调度系统形式化描述 | 第56-57页 |
| 4.3 基于蚁群算法的发电调度算法 | 第57-61页 |
| 4.3.1 蚁群算法改进 | 第57-58页 |
| 4.3.2 基于改进蚁群算法的发电调度算法 | 第58-61页 |
| 4.4 发电调度算法实验结果 | 第61-63页 |
| 4.4.1 时间复杂度分析 | 第61页 |
| 4.4.2 系统有效性分析 | 第61-62页 |
| 4.4.3 实验结果分析 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 工作总结与未来的展望 | 第64-66页 |
| 5.1 工作总结 | 第64页 |
| 5.2 下一步工作展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第72页 |