| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 选题背景和意义 | 第15-16页 |
| 1.1.1 选题背景 | 第15页 |
| 1.1.2 选题意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-21页 |
| 1.2.1 能耗预测方法研究现状 | 第16-20页 |
| 1.2.2 群智能算法优化神经网络的研究现状 | 第20-21页 |
| 1.3 研究内容和章节安排 | 第21-23页 |
| 1.3.1 研究内容 | 第21页 |
| 1.3.2 章节安排 | 第21-23页 |
| 第二章 相关理论 | 第23-31页 |
| 2.1 RBF神经网络 | 第23-25页 |
| 2.1.1 RBF神经网络结构 | 第23-24页 |
| 2.1.2 RBF神经网络的学习算法 | 第24-25页 |
| 2.1.3 RBF神经网络的优点 | 第25页 |
| 2.2 AP聚类算法 | 第25-27页 |
| 2.2.1 AP聚类算法原理 | 第25-26页 |
| 2.2.2 AP聚类算法流程 | 第26-27页 |
| 2.3 PSO算法 | 第27-30页 |
| 2.3.1 PSO算法原理 | 第27页 |
| 2.3.2 PSO算法流程 | 第27-28页 |
| 2.3.3 PSO算法的优缺点 | 第28页 |
| 2.3.4 PSO算法改进 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 办公建筑用电能耗特征分析与数据预处理 | 第31-36页 |
| 3.1 用电能耗特征分析 | 第31-34页 |
| 3.1.1 分项能耗与总能耗的关系 | 第31-32页 |
| 3.1.2 工作日与非工作日对能耗的影响 | 第32-33页 |
| 3.1.3 气候环境对能耗的影响 | 第33-34页 |
| 3.2 数据预处理 | 第34-35页 |
| 3.2.1 异常值判断 | 第34-35页 |
| 3.2.2 异常值处理 | 第35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于AP-RBF神经网络的公共建筑用电能耗预测 | 第36-45页 |
| 4.1 基于AP-RBF的预测模型 | 第36-37页 |
| 4.2 AP-RBF模型在公共建筑用电能耗预测中的应用 | 第37-41页 |
| 4.2.1 AP-RBF网络结构的确定 | 第38-40页 |
| 4.2.2 输入样本预处理 | 第40页 |
| 4.2.3 误差分析 | 第40-41页 |
| 4.3 案例分析 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于PSO-RBF神经网络的公共建筑用电能耗预测 | 第45-51页 |
| 5.1 基于PSO-RBF的预测模型 | 第45-47页 |
| 5.2 案例分析 | 第47-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第六章 基于APFPSO-RBF的办公建筑用电能耗预测研究 | 第51-61页 |
| 6.1 改进的PSO算法 | 第51-56页 |
| 6.1.1 算法原理 | 第51-52页 |
| 6.1.2 仿真实验 | 第52-56页 |
| 6.2 基于APFPSO-RBF的预测模型 | 第56-57页 |
| 6.3 案例分析 | 第57-60页 |
| 6.4 本章小结 | 第60-61页 |
| 第七章 结论 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第65-66页 |
