| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 主动配电网发展概况 | 第10页 |
| 1.3 需求侧响应发展概况 | 第10-12页 |
| 1.3.1 国内发展现状 | 第11页 |
| 1.3.2 国外发展现状 | 第11-12页 |
| 1.4 本文主要研究内容 | 第12-13页 |
| 第二章 基于主动配电网的系统构架与数学模型 | 第13-23页 |
| 2.1 风力发电 | 第13-16页 |
| 2.1.1 风力发电机的工作原理 | 第13-14页 |
| 2.1.2 风力发电数学模型 | 第14-15页 |
| 2.1.3 风力发电对配电网的影响分析 | 第15-16页 |
| 2.2 负荷特性与数学模型 | 第16-21页 |
| 2.2.1 空调负荷 | 第16-18页 |
| 2.2.2 电热负荷 | 第18-19页 |
| 2.2.3 照明负荷 | 第19-20页 |
| 2.2.4 工业电动机 | 第20-21页 |
| 2.3 储能系统 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 基于遗传优化的小波-BP神经网络的短期风电功率预测 | 第23-37页 |
| 3.1 小波分析 | 第23-26页 |
| 3.1.1 连续小波变换 | 第23-24页 |
| 3.1.2 离散小波变换 | 第24页 |
| 3.1.3 几种常用的小波 | 第24-25页 |
| 3.1.4 正交小波变换和多尺度分析 | 第25-26页 |
| 3.2 遗传算法 | 第26-28页 |
| 3.3 BP神经网络 | 第28-32页 |
| 3.3.1 BP神经网络原理 | 第28-29页 |
| 3.3.2 BP神经网络算法 | 第29-31页 |
| 3.3.3 BP神经网络设计 | 第31-32页 |
| 3.4 基于遗传算法优化的小波-BP神经网络 | 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 基于改进FCM的负荷特性指标分类 | 第37-49页 |
| 4.1 常见负荷分类 | 第37-38页 |
| 4.2 聚类分析方法概述 | 第38-40页 |
| 4.2.1 系统聚类法 | 第38页 |
| 4.2.2 模糊c-均值聚类算法 | 第38-40页 |
| 4.3 日负荷曲线的聚类分析 | 第40-42页 |
| 4.3.1 日负荷曲线归一化 | 第40页 |
| 4.3.2 改进的模糊c-均值聚类算法 | 第40-42页 |
| 4.4 负荷特性指标选取 | 第42-43页 |
| 4.5 算例分析 | 第43-47页 |
| 4.6 本章小结 | 第47-49页 |
| 第五章 可控负荷平滑响应风电的控制策略 | 第49-61页 |
| 5.1 基于特性分类的可控负荷响应分析 | 第49-53页 |
| 5.1.1 工业负荷可控性分析 | 第49-51页 |
| 5.1.2 商业负荷可控性分析 | 第51-52页 |
| 5.1.3 居民负荷可控性分析 | 第52-53页 |
| 5.2 主动配电网多代理系统研究 | 第53-54页 |
| 5.3 可控负荷响应风电的多代理模型 | 第54-56页 |
| 5.3.1 目标函数 | 第54页 |
| 5.3.2 约束条件 | 第54-56页 |
| 5.4 粒子群约束算法 | 第56-57页 |
| 5.4.1 粒子群算法原理 | 第56-57页 |
| 5.4.2 粒子群算法的计算流程 | 第57页 |
| 5.4.3 算法的终止条件 | 第57页 |
| 5.5 算例分析 | 第57-61页 |
| 5.6 本章小结 | 第61页 |
| 第六章 结论 | 第61-63页 |
| 6.1 主要成果 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间所取得的相关科研成果 | 第67-69页 |
| 致谢 | 第69页 |