| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-15页 |
| ·电力系统负荷预测 | 第8-9页 |
| ·电力系统负荷预测定义 | 第8页 |
| ·电力系统负荷预测重要性 | 第8-9页 |
| ·电力负荷预测方法综述 | 第9-12页 |
| ·电力负荷预测分类 | 第9-10页 |
| ·预测原则 | 第10页 |
| ·经典预测方法 | 第10-12页 |
| ·人体舒适度综述 | 第12-13页 |
| ·人体舒适度指数的概念 | 第12页 |
| ·人体舒适度指数的计算方法 | 第12-13页 |
| ·人体舒适度指数数量（D）、指数等级及人体感觉描述 | 第13页 |
| ·本文的主要工作 | 第13-15页 |
| ·问题的提出 | 第13页 |
| ·本文所做的工作 | 第13-15页 |
| 第二章 负荷特性分析 | 第15-24页 |
| ·影响系统负荷的因素 | 第15-17页 |
| ·经济因素 | 第15页 |
| ·气候因素 | 第15页 |
| ·随机干扰 | 第15页 |
| ·时间相关因素 | 第15-17页 |
| ·人体舒适度指数对用电负荷的影响 | 第17-24页 |
| ·南京夏季日最高、最低气温、人体舒适度指数与日最大负荷的相关性分析 | 第17-18页 |
| ·南京夏季日最大负荷对日最高气温、最低气温、人体舒适度指数的离散度分析 | 第18-20页 |
| ·南京夏季日最高负荷对人体舒适度指数的灵敏度分析 | 第20页 |
| ·南京夏季日最高、最低气温、人体舒适度指数与日最小负荷的相关性分析 | 第20-21页 |
| ·南京夏季日最小负荷对日最高气温、最低气温、人体舒适度指数的离散度分析 | 第21-22页 |
| ·南京夏季日最小负荷对人体舒适度指数的灵敏度分析 | 第22-24页 |
| 第三章 时间序列、小波及神经网络理论 | 第24-39页 |
| ·时间序列方法 | 第24-29页 |
| ·时间序列 | 第24页 |
| ·随机过程 | 第24-25页 |
| ·平稳时间序列与非平稳时间序列 | 第25-29页 |
| ·平稳时间序列 | 第25页 |
| ·非平稳时间序列 | 第25页 |
| ·随机过程的数字特征 | 第25-29页 |
| ·神经网络方法 | 第29-32页 |
| ·人工神经网络基本特征 | 第29页 |
| ·神经网络学习方式 | 第29-31页 |
| ·BP 神经网络模型 | 第31页 |
| ·BP 神经网络算法 | 第31-32页 |
| ·小波多分辨分析及其应用 | 第32-39页 |
| ·小波基本理论 | 第32-33页 |
| ·多分辨分析的概念 | 第33-35页 |
| ·多分辨率分析的实现 | 第35-39页 |
| 第四章 时间序列，神经网络，小波及神经网络模型 | 第39-60页 |
| ·时间序列模型 | 第39-44页 |
| ·自回归模型AR（p） | 第39页 |
| ·滑动平均模型MA（p） | 第39页 |
| ·自回归——滑动平均模型ARMA（p，q） | 第39-40页 |
| ·模型的训练与测试 | 第40-44页 |
| ·神经网络模型 | 第44-51页 |
| ·数据的组织及ANN 训练 | 第44页 |
| ·用于负荷预测的ANN 结构 | 第44-45页 |
| ·BP神经网络进行预测的步骤 | 第45-46页 |
| ·模型的训练与测试 | 第46-51页 |
| ·小波及神经网络混合模型 | 第51-60页 |
| ·对周期分量的建模 | 第51-52页 |
| ·对负荷序列的分解 | 第52页 |
| ·各分量的建模 | 第52-54页 |
| ·迭加各分量得到预测结果 | 第54-60页 |
| 第五章 算例分析、误差比较 | 第60-63页 |
| ·负荷预测误差指标 | 第60-61页 |
| ·三种预测模型效果比较 | 第61-63页 |
| 第六章 总结与展望 | 第63-64页 |
| ·总结 | 第63页 |
| ·进一步的工作 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-66页 |
