| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11页 |
| 1.3 研究内容 | 第11-14页 |
| 2 办公建筑能耗特点 | 第14-19页 |
| 2.1 办公建筑建筑特点 | 第14-17页 |
| 2.1.1 办公建筑发展历程 | 第14-15页 |
| 2.1.2 办公建筑的分类 | 第15-17页 |
| 2.2 办公建筑能耗特点 | 第17-18页 |
| 2.2.1 能源消耗结构 | 第17页 |
| 2.2.2 能源消耗影响因素 | 第17-18页 |
| 2.2.3 由建筑特点决定的能耗特点 | 第18页 |
| 2.3 本章小结 | 第18-19页 |
| 3 办公建筑能耗数据库设计 | 第19-33页 |
| 3.1 办公建筑能耗数据库整体设计方案 | 第19-22页 |
| 3.1.1 办公建筑能耗数据库需求分析 | 第19-20页 |
| 3.1.2 数据模型的选择 | 第20-21页 |
| 3.1.3 数据库管理系统软件的选择 | 第21-22页 |
| 3.2 数据库系统设计 | 第22-31页 |
| 3.2.1 数据源需求分析 | 第22-23页 |
| 3.2.2 办公建筑能耗数据库概念模型设计 | 第23-24页 |
| 3.2.3 数据库逻辑结构设计 | 第24-30页 |
| 3.2.4 办公建筑能耗数据库建立 | 第30-31页 |
| 3.3 本章小结 | 第31-33页 |
| 4 基于GM-WLSSVM的办公建筑能耗预测模型 | 第33-50页 |
| 4.1 建筑能耗预测模型 | 第33-34页 |
| 4.2 办公建筑电耗预测方法 | 第34-39页 |
| 4.2.1 基于神经网络的预测模型 | 第34-35页 |
| 4.2.2 基于多元线性回归分析的能耗预测模型 | 第35-36页 |
| 4.2.3 基于时间序列的能耗预测模型 | 第36页 |
| 4.2.4 基于支持向量机的能耗预测模型 | 第36-37页 |
| 4.2.5 灰色理论预测方法 | 第37-39页 |
| 4.3 预测模型性能评价指标 | 第39页 |
| 4.4 办公建筑电能消耗特征和影响因素 | 第39-40页 |
| 4.5 基于GM-WLSSVM的办公建筑电耗预测模型 | 第40-44页 |
| 4.5.1 加权最小二乘支持向量机(WLSSVM)模型 | 第40-42页 |
| 4.5.2 改进的粒子群算法优化模型参数 | 第42页 |
| 4.5.3 办公建筑电耗GM-WLSSVM预测模型 | 第42-44页 |
| 4.6 仿真模型验证 | 第44-48页 |
| 4.6.1 办公建筑建筑能耗样本数据 | 第44-45页 |
| 4.6.2 数据分析和影响因素选择 | 第45-46页 |
| 4.6.3 办公建筑电能消耗预测 | 第46-48页 |
| 4.7 本章总结 | 第48-50页 |
| 5 办公建筑节能管理系统 | 第50-58页 |
| 5.1 节能管理系统需求分析 | 第50-51页 |
| 5.2 节能管理系统开发 | 第51-56页 |
| 5.2.1 开发环境 | 第51页 |
| 5.2.2 与数据库的连接 | 第51-52页 |
| 5.2.3 系统界面设计 | 第52-56页 |
| 5.3 本章小结 | 第56-58页 |
| 6 结论与展望 | 第58-60页 |
| 6.1 结论 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 附录 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间研究成果 | 第68页 |
