| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1. 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.1.1 课题背景 | 第9页 |
| 1.1.2 温湿度独立控制空调系统 | 第9-11页 |
| 1.1.3 空调系统能耗预测 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文研究内容 | 第14-17页 |
| 2. 温湿度独立控制空调系统的能耗监测 | 第17-35页 |
| 2.1 温湿度独立控制空调（THIC）系统介绍 | 第17-25页 |
| 2.1.1 溶液除湿原理 | 第17-19页 |
| 2.1.2 建筑湿负荷计算 | 第19-22页 |
| 2.1.3 湿度控制系统组成 | 第22-25页 |
| 2.2 能耗监测组成 | 第25-28页 |
| 2.2.1 冷源监测 | 第25-26页 |
| 2.2.2 新风机组监测 | 第26-27页 |
| 2.2.3 空调机组监测 | 第27页 |
| 2.2.4 风机盘管监测 | 第27-28页 |
| 2.3 能耗监测装置 | 第28-30页 |
| 2.3.1 模拟量测量装置 | 第28-29页 |
| 2.3.2 数字量测量装置 | 第29-30页 |
| 2.4 能耗监测设计与实现 | 第30-33页 |
| 2.4.1 空调系统实时运行参数监测 | 第31-32页 |
| 2.4.2 空调系统能耗数据监测 | 第32-33页 |
| 2.4.3 空调系统报警状态监测 | 第33页 |
| 2.5 本章小结 | 第33-35页 |
| 3. 基于BP神经网络的空调能耗预测 | 第35-51页 |
| 3.1 建筑空调系统能耗特性分析 | 第35-38页 |
| 3.1.1 空调系统负荷自相关性 | 第36-37页 |
| 3.1.2 温度因素对空调系统负荷的影响分析 | 第37-38页 |
| 3.1.3 湿度因素对空调系统负荷的影响分析 | 第38页 |
| 3.2 BP神经网络概述 | 第38-42页 |
| 3.2.1 BP神经网络模型 | 第39-40页 |
| 3.2.2 BP神经网络建立 | 第40-41页 |
| 3.2.3 BP神经网络训练 | 第41-42页 |
| 3.3 BP神经网络预测模型的设计 | 第42-45页 |
| 3.3.1 输入量确定 | 第42-43页 |
| 3.3.2 输入数据预处理 | 第43-45页 |
| 3.3.3 输出量确定 | 第45页 |
| 3.3.4 隐层结构确定 | 第45页 |
| 3.4 BP神经网络预测实际应用 | 第45-49页 |
| 3.4.1 不考虑实时气象因素的神经网络预测结果 | 第46-47页 |
| 3.4.2 考虑实时气象因素的BP神经网络预测结果 | 第47-49页 |
| 3.5 本章小结 | 第49-51页 |
| 4. 基于粒子群算法优化的BP神经网络空调能耗预测 | 第51-61页 |
| 4.1 粒子群（PSO）算法概述 | 第51-53页 |
| 4.1.1 粒子群算法特点 | 第52页 |
| 4.1.2 粒子群算法流程 | 第52-53页 |
| 4.2 粒子群算法优化BP神经网络 | 第53-55页 |
| 4.3 粒子群优化算法参数设定 | 第55-56页 |
| 4.3.1 粒子维度D | 第55页 |
| 4.3.2 粒子种群大小N | 第55页 |
| 4.3.3 粒子搜索范围和速度范围 | 第55-56页 |
| 4.3.4 学习因子c | 第56页 |
| 4.3.5 惯性权重ω | 第56页 |
| 4.3.6 最大迭代次数Maxiter | 第56页 |
| 4.4 预测结果对比分析 | 第56-59页 |
| 4.5 本章小结 | 第59-61页 |
| 5. 总结与展望 | 第61-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第69页 |