| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-17页 |
| ·课题的研究背景及其研究意义 | 第9-10页 |
| ·课题的来源 | 第9-10页 |
| ·课题的研究意义 | 第10页 |
| ·现有负荷预测手段概述 | 第10-14页 |
| ·回归分析法 | 第11页 |
| ·时间序列法 | 第11-12页 |
| ·指数平滑法 | 第12页 |
| ·灰色模型法 | 第12页 |
| ·专家系统法 | 第12-13页 |
| ·人工神经网络(ANN)法 | 第13-14页 |
| ·小波分析预测技术 | 第14页 |
| ·影响预测结果精度的原因 | 第14-16页 |
| ·经济原因 | 第15页 |
| ·时间原因 | 第15页 |
| ·气候原因 | 第15页 |
| ·随机干扰 | 第15-16页 |
| ·本文的主要工作 | 第16-17页 |
| 第二章 用于台区负荷预测的网络模型 | 第17-25页 |
| ·引言 | 第17页 |
| ·人工神经网络 | 第17页 |
| ·BP 神经网络 | 第17-21页 |
| ·BP 网络应用于低压台区负荷预测的不足 | 第21-22页 |
| ·低压台区负荷预测模型的改进 | 第22-23页 |
| ·小结 | 第23-25页 |
| 第三章 基于蚁群算法的隐含层节点数动态调整方法研究 | 第25-40页 |
| ·引言 | 第25页 |
| ·蚁群算法（ACO）概述 | 第25-26页 |
| ·蚁群算法的仿生学理论基础 | 第26-28页 |
| ·基本蚁群算法 | 第28-34页 |
| ·基本蚁群算法对蚁群觅食习性的模拟 | 第28页 |
| ·基本蚁群算法的原理 | 第28-29页 |
| ·基本蚁群算法的数学模型 | 第29-31页 |
| ·基本蚁群算法的实现 | 第31-33页 |
| ·现有的一些基本蚁群算法的改进手段 | 第33-34页 |
| ·网络结构基因的构建 | 第34-35页 |
| ·网络结构基因的确定 | 第35-39页 |
| ·小结 | 第39-40页 |
| 第四章 基于粒子群算法的网络连接权重和阈值调整方法研究 | 第40-47页 |
| ·引言 | 第40页 |
| ·粒子群算法概述 | 第40页 |
| ·粒子群算法的仿生基础 | 第40-41页 |
| ·基本粒子群算法 | 第41-44页 |
| ·基本粒子群算法原理及数学模型 | 第41-43页 |
| ·基本粒子群算法的具体实现 | 第43-44页 |
| ·网络参数基因的构建和确定 | 第44-46页 |
| ·小结 | 第46-47页 |
| 第五章 低压台区负荷预测的模型实现及算例研究 | 第47-55页 |
| ·引言 | 第47页 |
| ·低压台区负荷预测预测结果的评价 | 第47-48页 |
| ·算法实现 | 第48-49页 |
| ·预测算例 | 第49页 |
| ·预测结果 | 第49-54页 |
| ·小结 | 第54-55页 |
| 第六章 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间已发表或录用的论文 | 第62页 |