| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-23页 |
| 1.1 研究背景及研究意义 | 第12-13页 |
| 1.2 负荷预测研究现状 | 第13-20页 |
| 1.2.1 工程模拟法 | 第13-14页 |
| 1.2.2 多元回归分析建模 | 第14-15页 |
| 1.2.3 时间序列建模 | 第15-16页 |
| 1.2.4 机器学习预测建模方法 | 第16-18页 |
| 1.2.5 时间序列混合预测建模方法 | 第18-20页 |
| 1.3 本文研究的主要内容 | 第20-23页 |
| 第二章 空调负荷预测建模相关理论 | 第23-40页 |
| 2.1 支持向量回归机预测建模 | 第23-27页 |
| 2.1.1 支持向量回归机基本原理 | 第23-25页 |
| 2.1.2 粒子群算法基本原理 | 第25-26页 |
| 2.1.3 基于PSO的SVR模型参数优化建模 | 第26-27页 |
| 2.2 机器学习的空调负荷时间序列建模方法 | 第27-39页 |
| 2.2.1 小波分解时间序列混合预测建模 | 第29-35页 |
| 2.2.2 混沌时间序列混合预测建模 | 第35-39页 |
| 2.3 本章小结 | 第39-40页 |
| 第三章 基于WD-SVR的单变量时间序列办公建筑空调负荷混合预测仿真研究 | 第40-55页 |
| 3.1 数据来源 | 第40-41页 |
| 3.2 评价指标 | 第41-42页 |
| 3.3 基于WD-SVR预测建模方法 | 第42-52页 |
| 3.3.1 小波基选择 | 第42-48页 |
| 3.3.2 小波分解层数的选择 | 第48-50页 |
| 3.3.3 小波分解 | 第50-51页 |
| 3.3.4 支持向量机相关参数寻优 | 第51-52页 |
| 3.3.5 支持向量机负荷预测及小波重构 | 第52页 |
| 3.4 仿真结果分析 | 第52-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于C-SVR的单变量时间序列商场建筑空调负荷混合预测仿真研究 | 第55-65页 |
| 4.1 实验平台及数据来源 | 第55-58页 |
| 4.2 模型精度评价指标 | 第58页 |
| 4.3 混沌特征参数及混沌特性分析 | 第58-62页 |
| 4.3.1 延迟时间的确定 | 第59页 |
| 4.3.2 嵌入维数的确定 | 第59-60页 |
| 4.3.3 混沌特性分析 | 第60-61页 |
| 4.3.4 相空间重构 | 第61-62页 |
| 4.4 粒子群算法寻优 | 第62-63页 |
| 4.5 仿真结果分析 | 第63-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第五章 基于WD-SVR和C-SVR的两类建筑空调负荷预测对比 | 第65-80页 |
| 5.1 基于C-SVR的办公建筑空调负荷预测 | 第65-69页 |
| 5.1.1 数据来源 | 第65页 |
| 5.1.2 评价指标 | 第65页 |
| 5.1.3 混沌特征参数及混沌特性分析 | 第65-67页 |
| 5.1.4 粒子群算法寻优 | 第67-68页 |
| 5.1.5 仿真结果分析 | 第68-69页 |
| 5.2 WD-SVR与C-SVR法的办公建筑空调负荷预测精度对比 | 第69-72页 |
| 5.3 基于WD-SVR的商场建筑空调负荷预测 | 第72-76页 |
| 5.3.1 数据来源 | 第72页 |
| 5.3.2 评价指标 | 第72页 |
| 5.3.3 小波分解 | 第72-74页 |
| 5.3.4 支持向量机超参数寻优 | 第74-75页 |
| 5.3.5 支持向量机负荷预测及小波重构 | 第75-76页 |
| 5.4 WD-SVR与C-SVR法的商场建筑空调负荷预测精度对比 | 第76-78页 |
| 5.5 本章小结 | 第78-80页 |
| 结论 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 攻读硕士学位期间取得的研究成果 | 第88-89页 |
| 致谢 | 第89-91页 |
| 附件 | 第91页 |
