| 第一章 绪论 | 第1-19页 |
| ·课题的提出 | 第9-12页 |
| ·国内外的研究动态 | 第12-17页 |
| ·本文所作的工作 | 第17-19页 |
| 第二章 母线负荷预测的特点 | 第19-29页 |
| ·母线负荷的定义 | 第19页 |
| ·母线负荷的构成和特点 | 第19-25页 |
| ·母线负荷的构成 | 第19-21页 |
| ·母线负荷的特点 | 第21-25页 |
| ·母线负荷预测的特点 | 第25页 |
| ·母线负荷预测模型 | 第25-26页 |
| ·数据的预处理 | 第26-27页 |
| ·水平处理方法 | 第26页 |
| ·垂直处理方法 | 第26-27页 |
| ·对缺损数据的处理 | 第27页 |
| ·预测误差的计算方法 | 第27-29页 |
| ·误差分析的考核指标 | 第27-28页 |
| ·误差分析的综合指标 | 第28-29页 |
| 第三章 母线负荷预测的累积式自回归平均方法 | 第29-49页 |
| ·时间序列模型简介 | 第29-31页 |
| ·自回归模型(AR) | 第29-30页 |
| ·滑动平均模型(MA) | 第30页 |
| ·自回归滑动平均模型(ARMA) | 第30-31页 |
| ·线性模型的自相关函数和偏相关函数 | 第31-35页 |
| ·模型的自相关函数及其基本特性 | 第31-34页 |
| ·模型AR(p)的自相关函数及其特性 | 第31-33页 |
| ·模型MA(q)的自相关函数及其特性 | 第33-34页 |
| ·模型ARMA(p，q)的自相关函数及其特性 | 第34页 |
| ·模型的偏相关函数及其基本特性 | 第34-35页 |
| ·模型AR(p)的偏相关函数及其特性 | 第34-35页 |
| ·模型MA(q)和ARMA(p，q)的偏相关函数及其特性 | 第35页 |
| ·模型识别 | 第35-37页 |
| ·样本自相关函数和偏相关函数的计算 | 第36页 |
| ·样本自相关函数和偏相关函数“截尾”性的判定 | 第36-37页 |
| ·参数估计 | 第37-38页 |
| ·模型AR(p)的参数估计 | 第37页 |
| ·模型MA(q)的参数估计 | 第37-38页 |
| ·模型ARMA(p，q)的参数估计 | 第38页 |
| ·模型检验 | 第38-39页 |
| ·累积式自回归平均算法(ARIMA)研究 | 第39-45页 |
| ·算法原理 | 第39-40页 |
| ·累积式自回归平均算法 | 第40-45页 |
| ·程序框图 | 第45-46页 |
| ·预测结果 | 第46-48页 |
| ·结论与分析 | 第48-49页 |
| 第四章 母线负荷预测的人工神经网络方法 | 第49-70页 |
| ·人工神经网络(ANN)概述 | 第49-51页 |
| ·人工神经网络的发展 | 第49-50页 |
| ·人工神经网络的基本特点 | 第50-51页 |
| ·人工神经网络的学习方法和学习规则 | 第51页 |
| ·前馈型BP网络 | 第51-57页 |
| ·神经元结构 | 第51-53页 |
| ·BP网络的结构 | 第53-54页 |
| ·BP网络的基本算法 | 第54-56页 |
| ·BP算法的改进 | 第56-57页 |
| ·人工神经网络预测模型 | 第57-63页 |
| ·BP网络的层数 | 第57页 |
| ·输入层变量的选择 | 第57-60页 |
| ·隐含层神经元个数 | 第60页 |
| ·样本个数的选择 | 第60页 |
| ·输出层神经元个数 | 第60页 |
| ·神经元传递函数 | 第60-61页 |
| ·模型的算法框图 | 第61-63页 |
| ·预测结果 | 第63-69页 |
| ·结论与分析 | 第69-70页 |
| 第五章 母线负荷预测的综合模型 | 第70-77页 |
| ·问题的提出 | 第70页 |
| ·综合预测模型 | 第70-75页 |
| ·最优可信度的建立 | 第70-72页 |
| ·综合最优预测模型 | 第72-73页 |
| ·近似的综合最优预测模型 | 第73-74页 |
| ·预测结果 | 第74-75页 |
| ·结论与分析 | 第75-77页 |
| 第六章 结论与展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 在读期间科研成果简介 | 第82-83页 |
| 声明 | 第83-84页 |
| 致谢 | 第84页 |