| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-19页 |
| ·集中供热系统供热负荷预测的意义及必要性 | 第8-9页 |
| ·供热负荷预测的分类 | 第9-10页 |
| ·目前供热负荷预测研究现状 | 第10-14页 |
| ·各种供热负荷预测方法 | 第10-12页 |
| ·现有预测方法的分析和存在的问题 | 第12-14页 |
| ·集中供热系统热网调节策略 | 第14-18页 |
| ·热力工况的稳态调节 | 第15-16页 |
| ·热力工况的动态调节 | 第16-18页 |
| ·本文主要研究内容 | 第18-19页 |
| 2 供热负荷BP神经网络预测模型及算法 | 第19-31页 |
| ·BP神经网络的基本原理 | 第19-26页 |
| ·人工神经网络简述 | 第19-20页 |
| ·BP人工神经网络与BP学习算法 | 第20-22页 |
| ·BP网络层数的确定 | 第22-23页 |
| ·BP网络性能评价函数的确定 | 第23页 |
| ·隐含层节点数的确定 | 第23-24页 |
| ·BP网络学习算法的选择 | 第24-26页 |
| ·BP网络供热负荷预测模型输入输出变量的选取和预处理 | 第26-28页 |
| ·供热负荷预测模型输入输出变量的选择 | 第26-27页 |
| ·历史负荷数据及输入输出参数的预处理 | 第27-28页 |
| ·基于BP神经网络供热负荷预测实例 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 3 基于粒子群算法的BP神经网络过预测模型及算法 | 第31-51页 |
| ·粒子群算法基本原理 | 第31-33页 |
| ·粒子群算法的改进途径 | 第33-36页 |
| ·算法离散化 | 第33页 |
| ·提高收敛速度 | 第33-35页 |
| ·提高种群多样性 | 第35-36页 |
| ·仿真实验和结果分析 | 第36-43页 |
| ·基于标准PSO算法的BP神经网络优化 | 第36-38页 |
| ·基于速度变异改进粒子群算法的BP神经网络优化 | 第38-41页 |
| ·混合遗传粒子群算法的神经网络优化 | 第41-43页 |
| ·基于粒子群算法BP神经网络预测结果分析 | 第43-50页 |
| ·基于标准粒子群算法的神经网络负荷预测 | 第44-46页 |
| ·基于速度变异粒子群算法的神经网络负荷预测 | 第46-48页 |
| ·基于混合遗传粒子群算法的神经网络负荷预测 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 4 基于神经网络的热力站换热器模型系统辨识和控制仿真 | 第51-69页 |
| ·基于神经网络的系统辨识方法 | 第52-60页 |
| ·时滞系统动态响应特性分析 | 第53-54页 |
| ·基于BP神经网络的热力站换热器系统模型辨识 | 第54-55页 |
| ·算例分析 | 第55-57页 |
| ·基于粒子群算法的热力站换热器动态特性辨识 | 第57-60页 |
| ·基于神经网络的热力站换热器系统预测控制仿真 | 第60-68页 |
| ·模型预测控制的原理和算法 | 第60-61页 |
| ·热力站换热器阶跃响应特性辨识 | 第61-64页 |
| ·基于热力站换热器系统阶跃扰动模型的控制仿真 | 第64-68页 |
| ·本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 附录1 标准粒子群算法优化代码 | 第74-77页 |
| 附录2 部分速度变异粒子群算法优化代码 | 第77-79页 |
| 附录3 部分混合变异粒子群算法优化代码 | 第79-81页 |
| 攻读硕士学位期间发表学术论文情况 | 第81-82页 |
| 致谢 | 第82-83页 |
| 大连理工大学学位论文版权使用授权书 | 第83页 |