| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状及趋势 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-15页 |
| 1.3 本文主要研究内容和结构安排 | 第15-16页 |
| 第2章 热负荷预测理论及数据预处理 | 第16-25页 |
| 2.1 热负荷预测概述 | 第16-20页 |
| 2.1.1 热负荷预测的分类 | 第16-17页 |
| 2.1.2 热负荷预测的影响因素 | 第17页 |
| 2.1.3 热负荷预测的特点 | 第17-18页 |
| 2.1.4 热负荷预测的流程 | 第18-20页 |
| 2.1.5 热负荷预测的误差分析 | 第20页 |
| 2.2 数据预处理 | 第20-24页 |
| 2.2.1 拉依达法剔除异常数据 | 第20-21页 |
| 2.2.2 拉格朗日法插值 | 第21-23页 |
| 2.2.3 数据的标准化方法 | 第23-24页 |
| 2.3 本章总结 | 第24-25页 |
| 第3章 短期热负荷预测建模方法 | 第25-41页 |
| 3.1 线性回归分析 | 第25-29页 |
| 3.1.1 多元线性回归分析 | 第25-26页 |
| 3.1.2 多元逐步回归分析 | 第26-29页 |
| 3.2 支持向量机 | 第29-34页 |
| 3.2.1 支持向量回归算法 | 第30页 |
| 3.2.2 线性支持向量回归算法 | 第30-32页 |
| 3.2.3 非线性支持向量回归算法 | 第32-33页 |
| 3.2.4 核函数的定义 | 第33-34页 |
| 3.3 粒子群优化算法及其基本理论 | 第34-38页 |
| 3.3.1 标准粒子群优化算法原理 | 第34-35页 |
| 3.3.2 标准粒子群优化算法流程 | 第35-36页 |
| 3.3.3 标准粒子群优化算法的参数设置 | 第36-38页 |
| 3.4 基于PSO算法优化SVM的参数对 | 第38-40页 |
| 3.4.1 参数对分析 | 第38页 |
| 3.4.2 基于PSO算法优化SVM的参数对 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 短期热负荷预测模型的构建与研究 | 第41-62页 |
| 4.1 集中供热系统的热负荷计算 | 第41-44页 |
| 4.1.1 集中供热系统的运行方式 | 第41-42页 |
| 4.1.2 热负荷计算方法 | 第42页 |
| 4.1.3 数据空缺预处理 | 第42-44页 |
| 4.2 基于回归分析建模 | 第44-51页 |
| 4.2.1 输入变量的选取 | 第44-45页 |
| 4.2.2 多元逐步回归输入变量筛选 | 第45-47页 |
| 4.2.3 多元逐步回归模型的建立 | 第47-48页 |
| 4.2.4 实例验证 | 第48-51页 |
| 4.3 基于改进粒子群优化支持向量机建模 | 第51-58页 |
| 4.3.1 数据的归一化 | 第51-52页 |
| 4.3.2 模型的建立 | 第52-54页 |
| 4.3.3 实例验证 | 第54-58页 |
| 4.4 基于重大节假日修正的热负荷预测模型 | 第58-60页 |
| 4.4.1 基于重大节假日修正模型的建立 | 第58-59页 |
| 4.4.2 实例验证 | 第59-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第5章 短期热负荷预测模型的应用与规划 | 第62-67页 |
| 5.1 短期热负荷预测模型的应用 | 第62-64页 |
| 5.1.1 MATLAB与Visual Studio(VS)的连接 | 第62页 |
| 5.1.2 热负荷管理系统的设计 | 第62-64页 |
| 5.2 集中供热系统的短期热负荷规划 | 第64-66页 |
| 5.2.1 短期热负荷规划 | 第64-65页 |
| 5.2.2 投诉情况反馈 | 第65-66页 |
| 5.3 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-68页 |
| 6.1 总结 | 第67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71页 |