| 第一章 绪论 | 第1-11页 |
| 1．1 电力系统负荷预测意义和作用 | 第6页 |
| 1．2 电力系统负荷预测概述 | 第6-9页 |
| 1．2．1 负荷特性及其影响因素 | 第6页 |
| 1．2．2 负荷预测的方法及其发展。 | 第6-9页 |
| 1．3 电力系统负荷预测存在的主要问题 | 第9-10页 |
| 1．3．1 负荷历史数据的坏数据处理 | 第9页 |
| 1．3．2 节假日的负荷预测 | 第9页 |
| 1．3．3 单一预测模型的缺陷 | 第9-10页 |
| 1．4 本文的主要工作 | 第10-11页 |
| 第二章 人工神经网络 | 第11-22页 |
| 2．1 人工神经网络的一般模型 | 第11-14页 |
| 2．2 神经网络的基本学习方式 | 第14页 |
| 2．3 神经网络的学习算法 | 第14-15页 |
| 2．4 BP网络的基本计算 | 第15-22页 |
| 2．4．1 BP算法的基本计算步骤 | 第16-19页 |
| 2．4．2 BP学习算法的改进 | 第19-22页 |
| 第三章 时间序列模型和模糊推理模型 | 第22-29页 |
| 3．1 时间序列模型 | 第22-25页 |
| 3．1．1 线性ARMA（n，m）模型 | 第22-23页 |
| 3．1．2 ARMA模型的参数估计 | 第23-25页 |
| 3．2 模糊推理建模 | 第25-29页 |
| 3．2．1 模糊if-then规则和模糊推理 | 第25-27页 |
| 3．2．2 模糊推理系统 | 第27-28页 |
| 3．2．3 模糊建模 | 第28-29页 |
| 第四章 电力负荷历史数据的调整 | 第29-40页 |
| 4．1 负荷曲线的纠错和平滑处理 | 第29页 |
| 4．2 负荷坏数据调整的基本思路 | 第29-30页 |
| 4．3 负荷曲线模式聚类 | 第30-35页 |
| 4．3．1 简单的竞争学习 | 第30-31页 |
| 4．3．2 自组织特征映射与Kohonen算法 | 第31-34页 |
| 4．3．3 采用Kohonen网实现负荷曲线抗差聚类 | 第34-35页 |
| 4．4 含有坏数据的曲线模式的分类 | 第35-36页 |
| 4．4．1 用特征曲线产生BP网训练样本集 | 第35-36页 |
| 4．4．2 BP网的训练 | 第36页 |
| 4．5 坏数据辨识的组合神经网络模型 | 第36-37页 |
| 4．6 基于特征曲线的坏数据的调整 | 第37页 |
| 4．7 算例分析 | 第37-40页 |
| 4．7．1 组合神经网络训练样本集的产生 | 第37-38页 |
| 4．7．2 网络运算及坏数据调整结果 | 第38-40页 |
| 第五章 负荷预测模型的建立 | 第40-51页 |
| 5．1 时间序列模型 | 第40-41页 |
| 5．1．1 时间序列建模的步骤 | 第40页 |
| 5．1．2 负荷预测的ARMA（1，1）模型 | 第40-41页 |
| 5．2 模糊推理模型 | 第41-42页 |
| 5．2．1 模糊推理模型的建立 | 第41-42页 |
| 5．2．2 负荷预测模型的时效性 | 第42页 |
| 5．3 两种模型的计算结果 | 第42-43页 |
| 5．4 模型的修正 | 第43-44页 |
| 5．4．1 一元线性回归模型 | 第43-44页 |
| 5．4．2 模型修正结果 | 第44页 |
| 5．5 节假日预测 | 第44-46页 |
| 5．6 节后的工作日的预测 | 第46-48页 |
| 5．6．1 灰色预测模型（Grey Model） | 第47页 |
| 5．6．2 灰色模型计算结果 | 第47-48页 |
| 5．7 组合预测方法 | 第48-51页 |
| 第六章 短期负荷预测软件包的设计 | 第51-56页 |
| 6．1 负荷预测软件的设计思想 | 第51页 |
| 6．2 负荷预测软件包的结构 | 第51-53页 |
| 6．2．1 数据处理模块 | 第51-52页 |
| 6．2．2 负荷预测模块 | 第52-53页 |
| 6．2．3 预测结果考核模块 | 第53页 |
| 6．3 负荷预测软件计算的部分结果 | 第53-56页 |
| 第七章 结语 | 第56-57页 |
| 参考文献 | 第57-59页 |
| 致谢 | 第59页 |