| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·选题的目的和意义 | 第8-9页 |
| ·国内外研究现状 | 第9-13页 |
| ·电力系统短期负荷预测的传统方法 | 第10-11页 |
| ·电力系统短期负荷预测的新方法 | 第11-13页 |
| ·课题的研究内容及创新点 | 第13-16页 |
| 第二章 电力系统短期负荷预测概述 | 第16-26页 |
| ·电力系统负荷预测 | 第16-18页 |
| ·电力系统负荷预测类型 | 第16页 |
| ·电力系统负荷预测的特点和基本原理 | 第16-18页 |
| ·电力系统短期负荷预测分析 | 第18-21页 |
| ·电力系统短期负荷特征分析 | 第18-19页 |
| ·电力系统短期负荷中的影响因素分析 | 第19-21页 |
| ·电力系统短期负荷预测的基本思路 | 第21-22页 |
| ·以安顺市电力系统为例总结短期负荷基本特征 | 第21-22页 |
| ·建立短期负荷预测模型应考虑的问题 | 第22页 |
| ·建立短期负荷预测模型基本原则 | 第22页 |
| ·电力系统短期负荷预测中的数据预处理 | 第22-24页 |
| ·异常数据的识别 | 第22-23页 |
| ·异常数据的处理 | 第23-24页 |
| ·电力系统短期负荷预测误差 | 第24-25页 |
| ·误差产生的原因 | 第24页 |
| ·误差表示和分析方法 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于人工神经网络模型的电力系统短期负荷预测 | 第26-50页 |
| ·引言 | 第26页 |
| ·人工神经网络 | 第26-27页 |
| ·人工神经网络的基本特点 | 第26-27页 |
| ·BP 神经网络 | 第27-32页 |
| ·BP 神经网络结构 | 第27-28页 |
| ·BP 神经网络的学习方式 | 第28页 |
| ·BP 算法的数学描述 | 第28-31页 |
| ·BP 神经网络的主要特点 | 第31页 |
| ·BP 神经网络的算法流程 | 第31-32页 |
| ·以安顺市电力系统为例建立短期负荷预测模型 | 第32-37页 |
| ·只考虑历史负荷影响的模型一 | 第33-35页 |
| ·考虑气象因素影响，改进结构的模型二 | 第35-37页 |
| ·仿真和预测结果分析 | 第37-49页 |
| ·BP 神经网络的Matlab 实现 | 第37-38页 |
| ·两个预测模型的仿真过程 | 第38-47页 |
| ·两个模型仿真后的结果分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 改进的BP 神经网络的电力系统短期负荷预测 | 第50-60页 |
| ·引言 | 第50页 |
| ·改进的BP 神经网络算法：L-M 算法 | 第50-53页 |
| ·基于L-M 算法的模型三 | 第53-56页 |
| ·仿真结果分析 | 第56-58页 |
| ·本章小结 | 第58-60页 |
| 第五章 小波分析与神经网络组合模型的电力系统短期负荷预测 | 第60-73页 |
| ·引言 | 第60页 |
| ·小波分析理论 | 第60-65页 |
| ·小波变换 | 第61页 |
| ·离散小波变换 | 第61-62页 |
| ·多分辩率分析 | 第62-64页 |
| ·Mallat 小波算法 | 第64-65页 |
| ·组合预测方法的可行性 | 第65页 |
| ·小波分析与BP 神经网络组合模型进行短期负荷预测的基本过程 | 第65-70页 |
| ·对历史负荷数据进行小波分解 | 第65-67页 |
| ·各分量构建预测模型 | 第67-68页 |
| ·仿真的基本流程 | 第68-70页 |
| ·组合算法预测仿真结果与L-M 算法预测仿真结果的比较 | 第70-72页 |
| ·两种算法的24 小时负荷结果比较 | 第70-71页 |
| ·两种算法的一周预测结果相对误差分析 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| ·论文研究的主要内容 | 第73-74页 |
| ·论文的不足之处与展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |
