| 1 绪论 | 第1-12页 |
| ·电力负荷预测概述 | 第8页 |
| ·短期负荷预测的意义 | 第8页 |
| ·国内外研究现状 | 第8-10页 |
| ·本文的研究内容 | 第10-12页 |
| 2 基于小波—卡尔曼滤波的短期负荷预测基本原理 | 第12-23页 |
| ·小波变换 | 第12-14页 |
| ·多分辨分析（MRA） | 第12-13页 |
| ·小波变换的矩阵表示形式 | 第13-14页 |
| ·离散卡尔曼滤波 | 第14-15页 |
| ·负荷序列的小波分解 | 第15-16页 |
| ·基于小波分析的伪负荷数据的处理 | 第16-19页 |
| ·小波变换模极大值与信号突变点 | 第17页 |
| ·基于小波分析的伪负荷数据处理的步骤 | 第17页 |
| ·基于小波分析的伪负荷数据处理算法 | 第17-18页 |
| ·实例分析 | 第18-19页 |
| ·基于小波—卡尔曼滤波的负荷预测 | 第19-21页 |
| ·温度不敏感模型 | 第19-20页 |
| ·温度敏感模型 | 第20-21页 |
| ·预测模型的实现步骤 | 第21-23页 |
| 3 改进的基于小波—卡尔曼滤波的短期负荷预测 | 第23-34页 |
| ·问题的提出 | 第23页 |
| ·改进的基于小波—卡尔曼滤波的短期负荷预测概述 | 第23-25页 |
| ·日平均负荷的分解方法 | 第24-25页 |
| ·日平均负荷的预测方法 | 第25页 |
| ·日负荷波动部分的预测方法 | 第25页 |
| ·应用于温度敏感分量预测的BP 神经网络 | 第25-29页 |
| ·训练数据的构造 | 第26页 |
| ·预测模型的输入量选择 | 第26-28页 |
| ·预测模型的网络结构 | 第28页 |
| ·预测模型的分类 | 第28页 |
| ·网络的训练 | 第28-29页 |
| ·日负荷波动部分的预测 | 第29-30页 |
| ·负荷预测中的局部修正模型 | 第30-34页 |
| ·负荷预测中局部修正方法 | 第30页 |
| ·负荷预测中局部修正的步骤 | 第30-31页 |
| ·局部修正模型的修正算法 | 第31-34页 |
| 4 实例及其分析 | 第34-47页 |
| ·基于小波—卡尔曼滤波方法的负荷预测实例 | 第34-40页 |
| ·工作日温度突变对文献[22]的负荷预测方法的影响 | 第34-37页 |
| ·休息日温度突变对文献[22]的负荷预测方法的影响 | 第37-40页 |
| ·改进的基于小波—卡尔曼滤波方法的负荷预测实例 | 第40-44页 |
| ·改进方法对工作日温度突变影响的削弱 | 第40-41页 |
| ·改进方法对休息日温度突变影响的削弱 | 第41-43页 |
| ·休息日预测 | 第43-44页 |
| ·局部修正实例 | 第44-47页 |
| 5 结论 | 第47-49页 |
| ·结论 | 第47页 |
| ·本工作各个组成部分的相互关系 | 第47-48页 |
| ·今后的展望 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 附录 | 第53-54页 |
| 详细摘要 | 第54-66页 |