| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-18页 |
| ·负荷预测的意义与背景 | 第11-12页 |
| ·负荷预测的国内外现状 | 第12-13页 |
| ·负荷预测步骤 | 第13-14页 |
| ·人工神经网络在短期负荷预测中应用综述 | 第14-16页 |
| ·全文的主要内容和结构 | 第16-18页 |
| ·研究课题的确定 | 第16页 |
| ·全文的主要工作 | 第16-18页 |
| 第2章 电力负荷预测模型理论基础 | 第18-30页 |
| ·RBF神经网络 | 第18-23页 |
| ·RBF神经网络结构 | 第18-19页 |
| ·RBF神经网络的学习算法 | 第19-21页 |
| ·RBF神经网络的优点 | 第21-22页 |
| ·简单实例分析 | 第22-23页 |
| ·粒子群算法 | 第23-26页 |
| ·PSO算法原理 | 第24页 |
| ·PSO算法流程 | 第24-25页 |
| ·PSO算法改进 | 第25-26页 |
| ·人工鱼群算法 | 第26-29页 |
| ·AFSA算法原理 | 第27-28页 |
| ·AFSA算法流程 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 电力负荷特性分析与数据预处理 | 第30-37页 |
| ·电力负荷特性分析 | 第30-33页 |
| ·数据预处理 | 第33-36页 |
| ·缺失数据的修补 | 第33-34页 |
| ·数据的垂直处理 | 第34-35页 |
| ·数据的水平处理 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 基于粒子群-RBF神经网络的短期负荷预测 | 第37-50页 |
| ·基于PSO-RBF的预测模型 | 第37-38页 |
| ·PSO-RBF模型在短期负荷预测中的应用 | 第38-49页 |
| ·输入样本预处理 | 第38-39页 |
| ·PSO-RBF网络结构的确定 | 第39-42页 |
| ·误差分析 | 第42-43页 |
| ·实验仿真 | 第43-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 基于人工鱼群-RBF神经网络的短期负荷预测 | 第50-56页 |
| ·基于AFSA-RBF的预测模型 | 第50-51页 |
| ·实验仿真 | 第51-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 基于混合算法-RBF神经网络的短期负荷预测 | 第56-67页 |
| ·人工鱼群与粒子群混合优化算法 | 第56-59页 |
| ·混合算法原理 | 第56-57页 |
| ·仿真实验 | 第57-59页 |
| ·基于混合算法-RBF的预测模型 | 第59-60页 |
| ·实验仿真 | 第60-66页 |
| ·本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74-81页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第81页 |