| 第1章 绪论 | 第1-17页 |
| 1．1 短期负荷预测的意义及任务 | 第7-10页 |
| 1．1．1 负荷预测的意义 | 第7-9页 |
| 1．1．2 短期负荷预测的任务 | 第9-10页 |
| 1．2 负荷预测研究现状 | 第10-14页 |
| 1．3 论文的主要内容与结构 | 第14-17页 |
| 1．3．1 研究课题的确定 | 第14-15页 |
| 1．3．2 论文的主要工作 | 第15-16页 |
| 1．3．3 论文的结构 | 第16-17页 |
| 第2章 短期负荷预测概述 | 第17-34页 |
| 2．1 负荷预测组成及作用 | 第17-22页 |
| 2．1．1 电力负荷的分类 | 第17-18页 |
| 2．1．2 负荷预测的分类 | 第18-19页 |
| 2．1．3 负荷预测的特点和基本原理 | 第19-22页 |
| 2．1．4 负荷预测各部分的作用 | 第22页 |
| 2．2 短期负荷分析 | 第22-30页 |
| 2．2．1 短期负荷特性 | 第23-24页 |
| 2．2．2 典型负荷分量分析 | 第24-28页 |
| 2．2．3 天气敏感负荷分量分析 | 第28-30页 |
| 2．2．4 随机负荷分量分析 | 第30页 |
| 2．3 短期负荷预测的模型 | 第30-33页 |
| 2．3．1 短期负荷预测模型要求 | 第30-31页 |
| 2．3．2 短期负荷预测的基本模型 | 第31-33页 |
| 2．4 本章小结 | 第33-34页 |
| 第3章 基于人工神经网络的短期负荷预测 | 第34-53页 |
| 3．1 BP人工神经网络 | 第34-38页 |
| 3．1．1 人工神经网络简述 | 第34-35页 |
| 3．1．2 BP人工神经网络与BP学习算法 | 第35-38页 |
| 3．2 人工神经网络在负荷预测中的应用 | 第38-40页 |
| 3．3 应用改进神经网络实现负荷预测 | 第40-51页 |
| 3．3．1 BP算法的改进 | 第40-45页 |
| 3．3．2 预测模型的输入量选择 | 第45-46页 |
| 3．3．3 对输入量的处理 | 第46-49页 |
| 3．3．4 学习样本的选取 | 第49页 |
| 3．3．5 改进 BP神经网络模型的建立 | 第49-51页 |
| 3．4 本章小结 | 第51-53页 |
| 第4章 在 MATLAB环境下实现短期负荷预测 | 第53-64页 |
| 4．1 MATLAB语言及其神经网络工具箱 | 第53-54页 |
| 4．1．1 MATLAB简介 | 第53页 |
| 4．1．2 人工神经网络工具函数 | 第53-54页 |
| 4．2 MATLAB语言环境下的程序设计 | 第54-57页 |
| 4．2．1 开发环境 | 第54页 |
| 4．2．2 数据处理 | 第54-55页 |
| 4．2．3 建立输入、输出矩阵 | 第55页 |
| 4．2．4 程序实现 | 第55-57页 |
| 4．3 算例分析 | 第57-63页 |
| 4．3．1 基于基本反向传播算法(SDBP)短期负荷预测 | 第57-60页 |
| 4．3．2 基于改进反向传播算法(Levenberg-Marquardt)短期负荷预测 | 第60-63页 |
| 4．4 本章小结 | 第63-64页 |
| 第5章 结论 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |