| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题的研究背景和意义 | 第11-12页 |
| 1.2 天然气负荷预测概述 | 第12-14页 |
| 1.2.1 负荷预测的概念 | 第12页 |
| 1.2.2 负荷预测的分类 | 第12-13页 |
| 1.2.3 负荷预测的步骤 | 第13页 |
| 1.2.4 负荷预测误差评价指标 | 第13-14页 |
| 1.3 天然气负荷预测研究现状 | 第14-17页 |
| 1.3.1 国内外研究现状 | 第14页 |
| 1.3.2 主要预测方法概述 | 第14-17页 |
| 1.4 课题的主要研究内容 | 第17-20页 |
| 第2章 燃气短期负荷特性分析 | 第20-27页 |
| 2.1 上海天然气市场需求特点 | 第20-21页 |
| 2.2 短期负荷的各组合分量 | 第21-22页 |
| 2.3 短期负荷的周期性、季节性特性 | 第22-24页 |
| 2.4 短期负荷的各影响因素 | 第24-26页 |
| 2.4.1 温度和天气的影响 | 第24-25页 |
| 2.4.2 日期类型的影响 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 燃气数据的预处理 | 第27-33页 |
| 3.1 历史负荷数据的预处理 | 第27-31页 |
| 3.1.1 坏数据的辨识 | 第27页 |
| 3.1.2 坏数据的修正 | 第27-30页 |
| 3.1.3 数据修正后的仿真分析 | 第30-31页 |
| 3.1.4 数据的归一化处理 | 第31页 |
| 3.2 天气样本的预处理 | 第31-32页 |
| 3.3 日期类型的预处理 | 第32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 小波神经网络和小波核支持向量机的研究 | 第33-43页 |
| 4.1 小波变换基本理论 | 第33-34页 |
| 4.2 小波神经网络 | 第34-37页 |
| 4.2.1 小波神经网络概述 | 第34-35页 |
| 4.2.2 小波神经网络的结构形式 | 第35-37页 |
| 4.3 小波核支持向量机 | 第37-41页 |
| 4.3.1 支持向量机概述 | 第37-39页 |
| 4.3.2 小波核函数 | 第39-40页 |
| 4.3.3 小波核支持向量机的结构形式 | 第40-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第5章 粒子群算法的改进 | 第43-51页 |
| 5.1 标准粒子群算法的简介 | 第43-44页 |
| 5.1.1 粒子群算法的基本原理 | 第43-44页 |
| 5.1.2 粒子群算法的特点和不足 | 第44页 |
| 5.2 自适应粒子群算法（APSO） | 第44-45页 |
| 5.3 混沌理论 | 第45页 |
| 5.4 自适应混沌粒子群算法（ACPSO） | 第45-47页 |
| 5.5 ACPSO优化Mo_WNN和Mo_WSVM参数 | 第47-49页 |
| 5.5.1 ACPSO优化Mo_WNN | 第47-48页 |
| 5.5.2 ACPSO优化Mo_WSVM | 第48-49页 |
| 5.6 本章小结 | 第49-51页 |
| 第6章 负荷预测模型的建立与仿真 | 第51-68页 |
| 6.1 基于残差修正算法的分季节预测模型 | 第51-58页 |
| 6.1.1 基本思想 | 第51-53页 |
| 6.1.2 模型建立 | 第53-54页 |
| 6.1.3 仿真分析与结果对比 | 第54-58页 |
| 6.2 基于加权平均算法的季节交替预测模型 | 第58-60页 |
| 6.2.1 基本思想 | 第58页 |
| 6.2.2 模型建立 | 第58-59页 |
| 6.2.3 仿真分析与结果对比 | 第59-60页 |
| 6.3 基于相似日修正算法的节假日预测模型 | 第60-67页 |
| 6.3.1 基本思想 | 第60-61页 |
| 6.3.2 基本概念 | 第61-63页 |
| 6.3.3 预测过程 | 第63-64页 |
| 6.3.4 模型建立 | 第64-65页 |
| 6.3.5 仿真分析与结果对比 | 第65-67页 |
| 6.4 本章小结 | 第67-68页 |
| 第7章 结论与展望 | 第68-70页 |
| 7.1 结论 | 第68-69页 |
| 7.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75页 |