| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 选题背景及研究意义 | 第10-11页 |
| 1.2 课题来源和研究内容 | 第11-12页 |
| 1.2.1 课题来源 | 第11页 |
| 1.2.2 研究内容 | 第11-12页 |
| 1.3 负荷预测研究现状及发展前景 | 第12-13页 |
| 1.3.1 国内外研究现状 | 第12页 |
| 1.3.2 发展前景 | 第12-13页 |
| 1.4 本文所做工作 | 第13-15页 |
| 第2章 数据采集关键技术 | 第15-26页 |
| 2.1 数据采集系统平台部署 | 第15-17页 |
| 2.1.1 实证数据采集系统的组成结构 | 第15-16页 |
| 2.1.2 实证数据分析系统介绍 | 第16-17页 |
| 2.2 数据的选取和预处理 | 第17-19页 |
| 2.2.1 数据样本的选取 | 第17页 |
| 2.2.2 数据来源 | 第17-18页 |
| 2.2.3 数据预处理 | 第18-19页 |
| 2.3 样本数据归一化处理 | 第19-22页 |
| 2.4 智能小区空调负荷特性分析 | 第22-25页 |
| 2.4.1 智能小区中空调负荷变化规律分析 | 第22-24页 |
| 2.4.2 空调负荷数据的自相关函数 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于 BP 神经网络的居民空调负荷预测模型 | 第26-43页 |
| 3.1 短期负荷预测中气象因素的应用 | 第26-27页 |
| 3.2 实时气象因素与负荷相关性分析 | 第27-29页 |
| 3.2.1 温度与负荷相关分析 | 第27-28页 |
| 3.2.2 风速与负荷相关分析 | 第28-29页 |
| 3.3 BP 神经网络概述 | 第29-31页 |
| 3.3.1 BP 神经元模型 | 第29页 |
| 3.3.2 BP 网络学习算法 | 第29-31页 |
| 3.4 基于实时气象因素的 BP 负荷预测模型 | 第31-34页 |
| 3.4.1 网络模型输入量处理 | 第31-32页 |
| 3.4.2 输出层选择 | 第32页 |
| 3.4.3 隐层节点数选取 | 第32-33页 |
| 3.4.4 网络结构示意图 | 第33页 |
| 3.4.5 BP 神经网络的训练 | 第33-34页 |
| 3.5 模型的实际应用 | 第34-42页 |
| 3.5.1 考虑实时气象因素的空调负荷预测模型结果 | 第34-36页 |
| 3.5.2 模型比较 | 第36-41页 |
| 3.5.3 结果分析 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于 RBF 神经网络的实时气象因素预测模型 | 第43-61页 |
| 4.1 RBF 网络与 BP 网络比较 | 第43页 |
| 4.2 RBF 神经网络概述 | 第43-47页 |
| 4.2.1 RBF 神经网络的结构和分类 | 第44页 |
| 4.2.2 RBF 神经网络的优点及其局限性 | 第44-45页 |
| 4.2.3 RBF 网络的学习和训练 | 第45-47页 |
| 4.3 改进 K-means 均值聚类算法的 RBF 神经网络数学模型 | 第47-48页 |
| 4.4 遗传算法与 RBF 神经网络相结合的数学模型 | 第48-52页 |
| 4.4.1 RBF 神经网络的不足 | 第48-49页 |
| 4.4.2 遗传算法原理 | 第49-50页 |
| 4.4.3 遗传算法的适应度函数的确定 | 第50-51页 |
| 4.4.4 基于遗传算法与 RBF 神经网络结合的负荷预测模型 | 第51-52页 |
| 4.5 算例分析 | 第52-59页 |
| 4.5.1 考虑实时气象因素的 RBF 神经网络预测结果 | 第52-55页 |
| 4.5.2 基于改进 K-means 均值聚类算法的 RBF 神经网络预测结果 | 第55-57页 |
| 4.5.3 遗传算法优化的 RBF 神经网络的预测结果 | 第57-58页 |
| 4.5.4 模型分析与评价 | 第58-59页 |
| 4.6 RBF 网络与 BP 网络预测结果对比分析 | 第59-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第5章 总结展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 在学期间发表的学术论文和参加科研情况 | 第66-67页 |
| 致谢 | 第67页 |
