| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1.绪论 | 第9-15页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.1.1 课题的研究背景 | 第9页 |
| 1.1.2 课题的研究意义 | 第9-10页 |
| 1.2 负荷预测方法及研究现状综述 | 第10-14页 |
| 1.2.1 传统数理统计方法 | 第10-11页 |
| 1.2.2 人工智能预测方法 | 第11-13页 |
| 1.2.3 组合预测方法 | 第13-14页 |
| 1.3 本课题研究内容 | 第14-15页 |
| 2.样本城市燃气负荷特点分析 | 第15-22页 |
| 2.1 城市燃气负荷的组成及规律 | 第15-19页 |
| 2.2 城市燃气负荷趋势分析 | 第19-20页 |
| 2.3 城市燃气负荷变化的影响因素 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3.负荷影响因素的相关分析 | 第22-29页 |
| 3.1 相关分析和偏相关分析理论 | 第22-25页 |
| 3.1.1 相关分析理论 | 第22-24页 |
| 3.1.2 偏相关分析理论 | 第24页 |
| 3.1.3 相关关系判断依据 | 第24-25页 |
| 3.2 相关分析和偏相关分析的应用 | 第25-27页 |
| 3.2.1 双变量相关分析的应用 | 第25-26页 |
| 3.2.2 偏相关分析的应用 | 第26-27页 |
| 3.3 影响因素的简化 | 第27页 |
| 3.4 本章小结 | 第27-29页 |
| 4.燃气负荷预测模型的选择与建立 | 第29-49页 |
| 4.1 负荷预测模型的选择 | 第29-30页 |
| 4.1.1 中期负荷预测模型的选择 | 第29页 |
| 4.1.2 长期负荷预测模型的选择 | 第29-30页 |
| 4.2 离群数据的辨别与剔除 | 第30-31页 |
| 4.2.1 离群数据的成因 | 第30页 |
| 4.2.2 离群数据的辨识方法 | 第30页 |
| 4.2.3 к-最近邻距离法的原理及应用 | 第30-31页 |
| 4.3 灰色负荷预测模型的建立 | 第31-36页 |
| 4.3.1 灰色GM(1，1)模型的建立 | 第31-33页 |
| 4.3.2 灰色GM(1，N)模型的建立 | 第33-35页 |
| 4.3.3 等维递补灰色GM(1，N)模型的建立 | 第35-36页 |
| 4.3.4 基于残差修正的灰色GM(1，N)模型的建立 | 第36页 |
| 4.4 分解-组合预测模型的建立 | 第36-44页 |
| 4.4.1 数据的趋势性分解 | 第36-39页 |
| 4.4.2 时间序列预测模型的建立 | 第39-42页 |
| 4.4.3 RBF神经网络预测模型的建立 | 第42-44页 |
| 4.5 模型的关联 | 第44-45页 |
| 4.6 模型的检验 | 第45-48页 |
| 4.6.1 精度检验 | 第45-46页 |
| 4.6.2 后验差检验 | 第46-48页 |
| 4.7 本章小结 | 第48-49页 |
| 5.燃气负荷预测模型的应用与求解 | 第49-62页 |
| 5.1 中期燃气负荷预测模型的应用与求解 | 第49-60页 |
| 5.1.1 灰色模型的应用与求解 | 第49-54页 |
| 5.1.2 分解—组合模型的应用与求解 | 第54-57页 |
| 5.1.3 关联模型的应用与求解 | 第57-59页 |
| 5.1.4 模型的检验与评价 | 第59-60页 |
| 5.2 长期燃气负荷预测模型的应用与求解 | 第60-61页 |
| 5.3 本章小结 | 第61-62页 |
| 6.结论与展望 | 第62-63页 |
| 6.1 结论 | 第62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表学术论文情况 | 第69-70页 |
| 致谢 | 第70-71页 |
| 作者简介 | 第71-72页 |