| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 冰蓄冷空调的国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.2.3 热点问题梳理 | 第13页 |
| 1.3 研究内容 | 第13-15页 |
| 2 冰蓄冷空调运行模型的建立 | 第15-35页 |
| 2.1 冰蓄冷空调工艺流程 | 第15-20页 |
| 2.1.1 常规冰蓄冷空调系统 | 第15-16页 |
| 2.1.2 冰蓄冷空调运行工况 | 第16-18页 |
| 2.1.3 冰蓄冷空调常见控制策略 | 第18-20页 |
| 2.2 西安赛格国际购物中心冰蓄冷空调系统 | 第20-28页 |
| 2.2.1 系统工艺及现运行存在的问题 | 第20-22页 |
| 2.2.2 智能控制系统介绍及监控界面设计 | 第22-28页 |
| 2.3 冰蓄冷空调运行模型 | 第28-33页 |
| 2.3.1 系统运行能耗模型 | 第28-30页 |
| 2.3.2 蓄冰槽运行模型 | 第30-33页 |
| 2.4 本章小结 | 第33-35页 |
| 3 基于GA-BP的空调冷负荷预测模型研究 | 第35-59页 |
| 3.1 空调冷负荷数据预处理及预测评价指标 | 第35-42页 |
| 3.1.1 空调冷负荷历史数据预处理 | 第35-36页 |
| 3.1.2 冷负荷的影响因素分析 | 第36-41页 |
| 3.1.3 样本数据归一化处理 | 第41-42页 |
| 3.1.4 负荷预测评价指标 | 第42页 |
| 3.2 基于BP神经网络的空调冷负荷预测 | 第42-50页 |
| 3.2.1 人工神经元模型 | 第42-44页 |
| 3.2.2 BP神经网络结构与学习规则 | 第44-47页 |
| 3.2.3 基于BP神经网络的空调冷负荷预测模型与验证 | 第47-50页 |
| 3.3 基于GA-BP的空调冷负荷预测 | 第50-57页 |
| 3.3.1 遗传算法基本原理 | 第51-52页 |
| 3.3.2 遗传算法优化BP神经网络 | 第52-54页 |
| 3.3.3 基于遗传算法改进的BP神经网络预测模型验证 | 第54-55页 |
| 3.3.4 BP、GA-BP模型预测结果对比分析 | 第55-57页 |
| 3.4 本章小结 | 第57-59页 |
| 4 冰蓄冷空调系统多目标优化运行研究 | 第59-75页 |
| 4.1 粒子群算法优化带约束多目标问题 | 第59-64页 |
| 4.1.1 多目标优化问题数学描述 | 第59-60页 |
| 4.1.2 基本粒子群算法 | 第60-62页 |
| 4.1.3 多目标粒子群算法 | 第62-63页 |
| 4.1.4 自适应的惩罚函数处理约束条件 | 第63-64页 |
| 4.2 基于多目标粒子群算法的冰蓄冷空调运行优化研究 | 第64-74页 |
| 4.2.1 目标函数及约束条件 | 第65-66页 |
| 4.2.2 多目标粒子群算法优化过程 | 第66-69页 |
| 4.2.3 目标建筑冰蓄冷空调优化运行策略 | 第69-74页 |
| 4.3 本章小结 | 第74-75页 |
| 5 结论与展望 | 第75-77页 |
| 5.1 研究结论 | 第75页 |
| 5.2 下一步工作展望 | 第75-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 作者攻读硕士期间研究成果及获奖情况 | 第85页 |
