| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-20页 |
| ·研究背景及意义 | 第10-12页 |
| ·国内外研究现状 | 第12-18页 |
| ·传统负荷预测技术 | 第12-14页 |
| ·人工智能预测技术 | 第14-17页 |
| ·气象因素在负荷预测中的研究现状 | 第17-18页 |
| ·电力系统负荷预测的特点 | 第18-19页 |
| ·本文研究的内容 | 第19-20页 |
| 第二章 负荷变化的特征及影响因素分析 | 第20-30页 |
| ·负荷变化的特征分析 | 第20-22页 |
| ·负荷的年周期性 | 第20-21页 |
| ·负荷的周周期性 | 第21-22页 |
| ·负荷的日周期性 | 第22页 |
| ·负荷的影响因素分析 | 第22-29页 |
| ·温度与负荷的关系 | 第22-28页 |
| ·湿度与负荷的关系 | 第28-29页 |
| ·降水与负荷的关系 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第三章 湖南省夏季典型气象刻画及水电分布情况 | 第30-38页 |
| ·湖南省夏季气候简介 | 第30-36页 |
| ·气温状况简介 | 第30-31页 |
| ·高温累积效应 | 第31-34页 |
| ·降水情况简介 | 第34-35页 |
| ·降水滞后效应 | 第35-36页 |
| ·湖南省小水电基本情况 | 第36页 |
| ·小水电出力情况 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于神经网络的夏季日最大负荷预测模型 | 第38-54页 |
| ·神经网络和 BP 算法原理 | 第38-40页 |
| ·BP 网络存在的缺陷 | 第40-41页 |
| ·Levenberg-Marquardt 算法 | 第41-42页 |
| ·预测模型输入输出变量的选取 | 第42页 |
| ·训练和测试样本的选取 | 第42-44页 |
| ·样本数据的预处理 | 第42-43页 |
| ·输入数据的归一化 | 第43-44页 |
| ·日期信息处理 | 第44页 |
| ·气象因素的量化 | 第44页 |
| ·隐含层节点数的选取 | 第44-48页 |
| ·典型气象因素的影响分析 | 第48-51页 |
| ·预测结果误差分析 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 附录A 攻读学位期间发表的论文目录 | 第61-62页 |
| 附录B 神经网络训练程序 | 第62-64页 |
| 附录C 45 个输入样本及对应的希望输出值（已归一化） | 第64-65页 |