| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 建筑用电能耗预测研究国内外现状 | 第10-14页 |
| 1.3 大型公共建筑相关分析 | 第14-18页 |
| 1.3.1 大型公共建筑分类 | 第14-16页 |
| 1.3.2 大型公共建筑用电能耗构成分析 | 第16-18页 |
| 1.4 课题的主要研究内容 | 第18-19页 |
| 第2章 建筑用电能耗影响因子的分析与选取 | 第19-26页 |
| 2.1 自身影响因子 | 第19-20页 |
| 2.2 内部影响因子 | 第20页 |
| 2.3 外界影响因子 | 第20-21页 |
| 2.4 正交试验 | 第21-25页 |
| 2.4.1 正交表 | 第21-22页 |
| 2.4.2 正交试验设计 | 第22-23页 |
| 2.4.3 正交试验结果 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 建筑用电能耗数据采集与处理 | 第26-36页 |
| 3.1 数据采集 | 第26-30页 |
| 3.1.1 电表 | 第27页 |
| 3.1.2 数据采集终端 | 第27-28页 |
| 3.1.3 无线温湿度采集器 | 第28-30页 |
| 3.2 数据处理 | 第30-35页 |
| 3.2.1 数据归一化 | 第30页 |
| 3.2.2 数据去噪处理 | 第30-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 基于知识与数据驱动的建筑用电能耗预测模型构建 | 第36-51页 |
| 4.1 IHCMAC神经网络 | 第36-37页 |
| 4.2 IHCMAC神经网络改进 | 第37-41页 |
| 4.2.1 蚁群聚类算法 | 第37-39页 |
| 4.2.2 基于遗传算法与蚁群聚类的GIHCMAC算法 | 第39-41页 |
| 4.3 办公建筑用电能耗预测模型构建 | 第41-43页 |
| 4.4 实验仿真 | 第43-49页 |
| 4.4.1 性能指标 | 第43-44页 |
| 4.4.2 数据分析 | 第44-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第5章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间论文发表及科研情况 | 第59页 |