| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 课题的实际意义及研究背景 | 第8-10页 |
| 1.2 供热负荷预测研究现状 | 第10-11页 |
| 1.2.1 国外研究现状 | 第10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 负荷预测的分类 | 第11页 |
| 1.4 本论文的主要内容 | 第11-13页 |
| 第二章热负荷影响因素研究 | 第13-22页 |
| 2.1 影响因素分析 | 第13-14页 |
| 2.1.1 室外环境因素 | 第13-14页 |
| 2.1.2 系统内部因素 | 第14页 |
| 2.1.3 随机因素 | 第14页 |
| 2.2 影响因素相关性分析 | 第14-19页 |
| 2.2.1 相关性 | 第15-16页 |
| 2.2.2 集中供热系统热负荷预测模型参数分析 | 第16-19页 |
| 2.3 预测误差分析 | 第19-21页 |
| 2.3.1 预测误差产生原因 | 第19-20页 |
| 2.3.2 预测误差评价标准 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章基于小波神经网络的热负荷预测 | 第22-35页 |
| 3.1 神经网络的基本原理 | 第22-26页 |
| 3.1.1 人工神经网络发展历史 | 第22-23页 |
| 3.1.2 人工神经网络的模型 | 第23-26页 |
| 3.2 BP人工神经网络 | 第26-28页 |
| 3.2.1 BP神经网络的结构 | 第26-27页 |
| 3.2.2 隐含层数的确定 | 第27-28页 |
| 3.2.3 隐含层节点数的确定 | 第28页 |
| 3.3 小波分析理论 | 第28-29页 |
| 3.3.1 小波函数 | 第29页 |
| 3.3.2 小波变换 | 第29页 |
| 3.4 基于WNN的热负荷预测 | 第29-34页 |
| 3.4.1 小波神经网络结构 | 第30-32页 |
| 3.4.2 基于WNN的集中供热系统热负荷预测实例 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章基于支持向量机的热负荷预测 | 第35-46页 |
| 4.1 支持向量机理论 | 第35-42页 |
| 4.1.1 支持向量机分类 | 第35-38页 |
| 4.1.2 支持向量机回归 | 第38-42页 |
| 4.2 支持向量机网络结构 | 第42页 |
| 4.3 参数对支持向量机的影响 | 第42-43页 |
| 4.4 基于SVM的热负荷预测实例 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章基于动态多种群粒子群支持向量机的热负荷预测 | 第46-56页 |
| 5.1 粒子群算法 | 第46-47页 |
| 5.2 动态多种群粒子群优化算法 | 第47-49页 |
| 5.2.1 确定物种 | 第47-48页 |
| 5.2.2 调整物种规模 | 第48页 |
| 5.2.3 调整物种半径 | 第48页 |
| 5.2.4 动态多种群粒子群优化算法的流程 | 第48-49页 |
| 5.3 基于DMPSO-SVM的热负荷预测 | 第49-51页 |
| 5.3.1 动态多种群粒子群支持向量机算法 | 第49页 |
| 5.3.2 基于DMPSO-SVM的热负荷预测实例 | 第49-51页 |
| 5.4 不同模型结果对比分析 | 第51-55页 |
| 5.4.1 BP神经网络模型和小波神经网络模型 | 第51-52页 |
| 5.4.2 支持向量机模型与其优化模型 | 第52-54页 |
| 5.4.3 五种预测模型的结果对比 | 第54-55页 |
| 5.5 本章小节 | 第55-56页 |
| 第六章总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 作者简介 | 第62页 |
| 攻读硕士学位期间研究成果 | 第62页 |