| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 第1章 绪论 | 第8-16页 |
| 1．1 日负荷预测的意义及研究背景 | 第8-9页 |
| 1．2 日负荷预测的研究和应用现状 | 第9-12页 |
| 1．3 日负荷预测中存在的问题 | 第12-13页 |
| 1．4 本文主要工作 | 第13-16页 |
| 第2章 日负荷预测中的数据处理方法 | 第16-39页 |
| 2．1 日负荷数据的主成份分析 | 第17-23页 |
| 2．2 日负荷数据的小波变换 | 第23-32页 |
| 2．3 日负荷数据的标准化 | 第32-37页 |
| 2．4 本章小结 | 第37-39页 |
| 第3章 负荷预测的线性模型分析与建模 | 第39-59页 |
| 3．1 平稳时间序列的线性预测模型 | 第39-49页 |
| 3．2 非平稳时间序列的线性稀疏数AR（P）模型 | 第49-52页 |
| 3．3 线性稀疏数AR（P）模型在日负荷预测中的应用 | 第52-58页 |
| 3．4 本章小结 | 第58-59页 |
| 第4章 负荷预测的非线性模型分析与建模 | 第59-72页 |
| 4．1 非线性时间序列模型 | 第59-61页 |
| 4．2 非线性时间序列的识别与统计判据 | 第61-63页 |
| 4．3 非线性时间序列的相空间嵌入 | 第63-67页 |
| 4．4 基于最佳相空间嵌入的局部线性预测模型 | 第67-68页 |
| 4．5 日负荷数据的非线性特征分析 | 第68-71页 |
| 4．6 本章小结 | 第71-72页 |
| 第5章 日负荷预测的人工神经网络方法研究 | 第72-94页 |
| 5．1 前向人工神经网络模型 | 第72-76页 |
| 5．2 前向人工神经网络模型的学习算法 | 第76-84页 |
| 5．3 Elman回归人工神经网络通用预测模型 | 第84-90页 |
| 5．4 人工神经网络模型用于日负荷预测 | 第90-93页 |
| 5．5 本章小结 | 第93-94页 |
| 第6章 考虑气象和电价因素影响的日负荷预测模型 | 第94-114页 |
| 6．1 考虑气象因素影响的日负荷预测模型 | 第94-104页 |
| 6．2 考虑电价因素影响的日负荷预测模型 | 第104-109页 |
| 6．3 同时考虑气象因素和电价因素影响的日负荷预测模型 | 第109-113页 |
| 6．4 本章小结 | 第113-114页 |
| 第7章 负荷预测软件的开发方法与实现 | 第114-127页 |
| 7．1 负荷预测软件的开发背景和应具有的功能 | 第114-116页 |
| 7．2 负荷预测软件开发中的代码共享问题 | 第116-118页 |
| 7．3 采用COM技术实现负荷预测软件代码的共享 | 第118-126页 |
| 7．4 本章小结 | 第126-127页 |
| 结论 | 第127-129页 |
| 致谢 | 第129-130页 |
| 参考文献 | 第130-142页 |
| 攻读博士学位期间发表的学术论文 | 第142-143页 |
| 攻读博士学位期间参与的科研工作和取得的成果 | 第143页 |