基于机器学习方法的建筑能耗预测研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 建筑能耗预测 | 第11-13页 |
| 1.2.2 深度学习方法 | 第13页 |
| 1.2.3 区间预测方法 | 第13-14页 |
| 1.3 研究内容与结构安排 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 结构安排 | 第15-16页 |
| 第2章 基于极限堆栈自编码网络的建筑能耗预测 | 第16-36页 |
| 2.1 极限堆栈自编码网络 | 第16-21页 |
| 2.1.1 堆栈自编码网络 | 第16-19页 |
| 2.1.2 极限堆栈自编码网络及其训练算法 | 第19-21页 |
| 2.2 能耗预测设定 | 第21-26页 |
| 2.2.1 实验数据集 | 第21-22页 |
| 2.2.2 模型训练数据生成 | 第22-23页 |
| 2.2.3 实验设置 | 第23-26页 |
| 2.3 建筑能耗预测实验 | 第26-35页 |
| 2.3.1 半小时建筑能耗预测 | 第27-31页 |
| 2.3.2 一小时建筑能耗预测 | 第31-34页 |
| 2.3.3 分析与比较 | 第34-35页 |
| 2.4 小结 | 第35-36页 |
| 第3章 基于修正深信度网络混合模型的建筑能耗预测 | 第36-55页 |
| 3.1 深信度网络 | 第36-39页 |
| 3.1.1 受限玻尔兹曼机 | 第36-38页 |
| 3.1.2 深信度网络 | 第38-39页 |
| 3.2 混合模型 | 第39-43页 |
| 3.2.1 混合模型的结构 | 第39页 |
| 3.2.2 用能模式的提取与残差数据的生成 | 第39-41页 |
| 3.2.3 修正DBN及其训练算法 | 第41-43页 |
| 3.3 建筑能耗预测实验设定 | 第43-54页 |
| 3.3.1 比较方法 | 第43-44页 |
| 3.3.2 实验数据与实验设置 | 第44-46页 |
| 3.3.3 零售店能耗预测实验 | 第46-49页 |
| 3.3.4 办公楼能耗预测实验 | 第49-52页 |
| 3.3.5 比较与讨论 | 第52-54页 |
| 3.4 小结 | 第54-55页 |
| 第4章 基于语言值输出模糊神经网络的建筑能耗预测 | 第55-68页 |
| 4.1 模糊神经网络 | 第55页 |
| 4.2 语言值输出模糊神经网络 | 第55-58页 |
| 4.2.1 FW-FNN的结构 | 第55-57页 |
| 4.2.2 FW-FNN的输入-输出映射 | 第57-58页 |
| 4.3 高斯型FW-FNN的数据驱动设计 | 第58-64页 |
| 4.3.1 数据驱动设计流程 | 第58-59页 |
| 4.3.2 FW-FNN全连接结构的数据驱动生成 | 第59-60页 |
| 4.3.3 FW-FNN的结构简化 | 第60-61页 |
| 4.3.4 高斯型模糊权重中心的最小二乘学习 | 第61-62页 |
| 4.3.5 高斯型模糊权重宽度的多目标优化 | 第62-64页 |
| 4.4 建筑能耗预测实验 | 第64-66页 |
| 4.4.1 性能评价指标 | 第64页 |
| 4.4.2 一小时建筑能耗预测 | 第64-66页 |
| 4.5 小结 | 第66-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68页 |
| 5.2 展望 | 第68-70页 |
| 参考文献 | 第70-77页 |
| 致谢 | 第77-78页 |
| 攻读硕士学位期间论文发表及科研情况 | 第78页 |
