| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-6页 |
| 1． 绪论 | 第6-16页 |
| 1．1 选题意义与背景 | 第6-7页 |
| 1．2 负荷预测的发展 | 第7-9页 |
| 1．3 应用于负荷预测的神经网络的改进工作概述 | 第9-13页 |
| 1．3．1 对权值的讨论 | 第9-10页 |
| 1．3．2 误差函数的改进 | 第10-11页 |
| 1．3．3 对激励函数的讨论 | 第11页 |
| 1．3．4 对网络结构的讨论 | 第11-12页 |
| 1．3．5 收敛算法的讨论 | 第12页 |
| 1．3．6 参数的讨论 | 第12页 |
| 1．3．7 对神经网络容错能力的讨论 | 第12-13页 |
| 1．4 组合预测概论 | 第13-14页 |
| 1．5 本文的工作 | 第14-16页 |
| 2 ANN基本理论 | 第16-21页 |
| 2．1 BP神经网络理论 | 第16-20页 |
| 2．1．1 BP网络结构和学习算法概述 | 第16-18页 |
| 2．1．2 BP算法基本思想 | 第18-20页 |
| 2．2 小结 | 第20-21页 |
| 3 多元主成分分析（MCA）的理论 | 第21-29页 |
| 3．1 概述 | 第21-22页 |
| 3．2 主成分分析的数学提法 | 第22-23页 |
| 3．3 样本主分量 | 第23-24页 |
| 3．4 贡献率 | 第24-25页 |
| 3．5 日负荷数据的主成份分析 | 第25-28页 |
| 3．6 小结 | 第28-29页 |
| 4 对ANN参数的研究 | 第29-47页 |
| 4．1 输入参数压缩的研究 | 第29-33页 |
| 4．2 Overfitting问题的初探 | 第33-38页 |
| 4．2．1 训练过度（Overfitting）问题 | 第33-37页 |
| 4．2．2 解决Overfitting的方法 | 第37-38页 |
| 4．3 周期性数据的样本选择 | 第38-45页 |
| 4．4 小结 | 第45-47页 |
| 5 MCA+OANN的组合方法进行负荷预测的建模和仿真 | 第47-60页 |
| 5．1 负荷预测的分类及复杂性 | 第47-49页 |
| 5．1．1 负荷预测的分类 | 第47页 |
| 5．1．2 影响系统负荷的主要因素 | 第47-48页 |
| 5．1．3 短期负荷预测的复杂性 | 第48-49页 |
| 5．2 建模 | 第49-54页 |
| 5．3 仿真 | 第54-59页 |
| 5．3．1 仿真误差分析方法 | 第54-55页 |
| 5．3．2 仿真结果比较 | 第55-59页 |
| 5．4 小结 | 第59-60页 |
| 结束语 | 第60-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |