| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-18页 |
| ·负荷预测的意义及研究背景 | 第9-11页 |
| ·预测技术简介 | 第11-13页 |
| ·短期负荷预测的国内外研究现状 | 第13-17页 |
| ·短期负荷预测方法综述 | 第13-15页 |
| ·国内外研究现状 | 第15-17页 |
| ·本论文的主要工作 | 第17-18页 |
| 第二章 负荷特性分析与数据预处理 | 第18-26页 |
| ·电力负荷特性与影响因素 | 第18-22页 |
| ·电力负荷特性分析 | 第18-20页 |
| ·电力负荷的影响因素 | 第20-22页 |
| ·电力负荷数据的预处理 | 第22-25页 |
| ·负荷数据预处理的步骤 | 第22-24页 |
| ·负荷数据的标准化 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 神经网络与粒子群算法 | 第26-42页 |
| ·神经网络 | 第26-31页 |
| ·神经元模型 | 第26-27页 |
| ·误差反向传播算法 | 第27-30页 |
| ·径向基函数网络 | 第30-31页 |
| ·标准粒子群算法（PSO） | 第31-34页 |
| ·算法原理 | 第32页 |
| ·算法流程 | 第32-33页 |
| ·参数设置 | 第33-34页 |
| ·粒子群算法的改进 | 第34-40页 |
| ·对基本粒子群算法进化方程的改进 | 第34-37页 |
| ·利用小生境思想所作的改进 | 第37-39页 |
| ·基于遗传思想改进的 PSO | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第四章 短期负荷预测模型 | 第42-54页 |
| ·影响负荷变化的主要因素的模糊化处理 | 第42-47页 |
| ·模糊理论 | 第42-43页 |
| ·模糊神经网络理论 | 第43-44页 |
| ·影响因素的模糊化处理 | 第44-47页 |
| ·模糊RBF 神经网络负荷预测系统结构 | 第47-50页 |
| ·网络输入节点的选取 | 第47-48页 |
| ·径向基网络隐含层节点中心的确定 | 第48-50页 |
| ·基于小生境粒子群的 RBF 神经网络学习算法 | 第50-53页 |
| ·小生境粒子群优化算法 | 第50页 |
| ·小生境粒子群优化算法流程 | 第50-51页 |
| ·小生境粒子群算法的编码和适应度函数 | 第51-53页 |
| ·基于小生境粒子群的 RBF 神经网络学习算法步骤 | 第53页 |
| ·本章小结 | 第53-54页 |
| 第五章 短期负荷预测实例仿真与分析 | 第54-58页 |
| ·预测模型简介 | 第54-55页 |
| ·预测模型1 | 第54页 |
| ·预测模型2 | 第54-55页 |
| ·短期负荷预测实例结果 | 第55-56页 |
| ·预测误差分析 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 附录A 攻读硕士期间发表论文情况 | 第65-66页 |
| 附录B 攻读硕士学位期间参与相关课题 | 第66页 |