| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 1 绪论 | 第9-23页 |
| ·电力系统短期负荷预测的意义和目的 | 第9-10页 |
| ·电力系统短期负荷预测的研究现状 | 第10-21页 |
| ·电力系统负荷预测的内容与分类 | 第11页 |
| ·电力系统负荷预测的特点 | 第11-12页 |
| ·传统的预测方法 | 第12-14页 |
| ·目前较常使用的研究方法 | 第14-21页 |
| ·本文主要研究内容 | 第21-23页 |
| 2 负荷预测影响因素分析及负荷数据的预处理方法研究 | 第23-39页 |
| ·引言 | 第23页 |
| ·负荷预测影响因素分析 | 第23-26页 |
| ·负荷预测误差分析 | 第26-27页 |
| ·负荷坏数据辨识与修正 | 第27-38页 |
| ·数据聚类 | 第28-31页 |
| ·坏数据辨识 | 第31-33页 |
| ·坏数据修正 | 第33-34页 |
| ·实例分析 | 第34-38页 |
| ·小结 | 第38-39页 |
| 3 工作日负荷预测模型 | 第39-61页 |
| ·引言 | 第39页 |
| ·负荷数据的主元分析 | 第39-44页 |
| ·主元分析法的基本理论及实现方法 | 第40-41页 |
| ·对主元法的改进 | 第41-42页 |
| ·主元提取负荷数据 | 第42-44页 |
| ·通过人工神经网络预测工作日负荷 | 第44-50页 |
| ·多层前向人工神经网络认知过程及认知能力 | 第44-46页 |
| ·对反向传播学习算法的分析及改进 | 第46-48页 |
| ·人工神经网络的短期负荷预测模型 | 第48-50页 |
| ·基于改进免疫算法的BP 神经网络负荷预测模型 | 第50-59页 |
| ·自适应策略的改进免疫算法 | 第50-53页 |
| ·基于改进免疫算法和激励函数可调的BP 神经网络的负荷预测模型 | 第53-57页 |
| ·实例分析 | 第57-59页 |
| ·小结 | 第59-61页 |
| 4 节假日负荷预测的模型 | 第61-87页 |
| ·引言 | 第61页 |
| ·节假日负荷特性 | 第61-65页 |
| ·周末休息日负荷预测模型 | 第65-77页 |
| ·免疫粒子群优化的最小二乘支持向量机算法原理 | 第65-73页 |
| ·基于免疫粒子群优化的最小二乘支持向量机周末负荷预测模型 | 第73-74页 |
| ·综合影响因素对周末休息日负荷数据的修正 | 第74-75页 |
| ·实例分析 | 第75-77页 |
| ·重大节假日电力负荷预测模型的建立 | 第77-85页 |
| ·灰色一马尔可夫链组合预测模型 | 第77-80页 |
| ·基于灰色—马尔可夫链的节假日负荷预测模型的建立 | 第80-82页 |
| ·实例分析 | 第82-84页 |
| ·对预测值的修正 | 第84-85页 |
| ·小结 | 第85-87页 |
| 5 实时电价下的短期负荷预测模型 | 第87-103页 |
| ·引言 | 第87页 |
| ·实时电价与短期负荷的关系分析 | 第87-90页 |
| ·基于改进广义回归神经网络和自适应神经模糊系统的短期负荷预测模型 | 第90-101页 |
| ·粒子群算法优化的改进广义回归神经网络 | 第90-95页 |
| ·自适应神经模糊推理系统（ANFIS）修正法 | 第95-98页 |
| ·实例分析 | 第98-101页 |
| ·小结 | 第101-103页 |
| 6 结论与展望 | 第103-105页 |
| ·结论 | 第103-104页 |
| ·未来工作展望 | 第104-105页 |
| 致谢 | 第105-107页 |
| 参考文献 | 第107-115页 |
| 附录 | 第115页 |
| A 作者在攻读博士学位期间发表的论文目录 | 第115页 |
| B 作者在攻读博士学位期间参加的科研项目情况 | 第115页 |
