| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-25页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.1.1 国际能源现状 | 第10-11页 |
| 1.1.2 我国建筑能耗现状 | 第11-12页 |
| 1.2 国内外建筑能耗预测方法研究现状 | 第12-17页 |
| 1.2.1 前向法 | 第12-15页 |
| 1.2.2 逆向法 | 第15-17页 |
| 1.3 基于数据驱动的建筑能耗预测模型研究现状 | 第17-20页 |
| 1.3.1 基于人工神经网络的建筑能耗预测模型 | 第18页 |
| 1.3.2 基于支持向量机的建筑能耗预测模型 | 第18-19页 |
| 1.3.3 混合建筑能耗预测模型 | 第19-20页 |
| 1.4 群智能优化算法简介 | 第20-23页 |
| 1.5 本文主要研究内容及章节安排 | 第23-25页 |
| 第二章 基于人工神经网络的建筑电能耗预测方法 | 第25-35页 |
| 2.1 引言 | 第25页 |
| 2.2 神经网络方法 | 第25-27页 |
| 2.3 建筑电能耗预测仿真实验 | 第27-34页 |
| 2.3.1 建筑能耗数据 | 第28-29页 |
| 2.3.2 数据预处理 | 第29-31页 |
| 2.3.3 神经网络预测结果 | 第31-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于群智能优化算法的建筑电能耗预测方法 | 第35-48页 |
| 3.1 引言 | 第35页 |
| 3.2 微粒群算法 | 第35-38页 |
| 3.3 遗传算法 | 第38-39页 |
| 3.4 混合建筑电能耗预测模型 | 第39-42页 |
| 3.4.1 PSO-ANN能耗预测模型 | 第39-41页 |
| 3.4.2 GA-ANN能耗预测模型 | 第41-42页 |
| 3.5 建筑电能耗预测结果 | 第42-46页 |
| 3.5.1 PSO-ANN模型预测结果 | 第42-44页 |
| 3.5.2 GA-ANN模型预测结果 | 第44-46页 |
| 3.6 能耗预测结果比较 | 第46-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第四章 基于改进型微粒群算法和神经网络的建筑电能耗预测方法 | 第48-63页 |
| 4.1 引言 | 第48-49页 |
| 4.2 基于繁殖和遗传思想的微粒群算法 | 第49-51页 |
| 4.3 基准测试函数 | 第51-54页 |
| 4.4 算法测试实验 | 第54-59页 |
| 4.5 iPSO-ANN能耗预测模型 | 第59页 |
| 4.6 iPSO-ANN建筑电能耗预测结果 | 第59-62页 |
| 4.7 能耗预测结果比较 | 第62页 |
| 4.8 本章小结 | 第62-63页 |
| 第五章 建筑电能耗预测案例 | 第63-70页 |
| 5.1 引言 | 第63页 |
| 5.2 数据采集 | 第63-65页 |
| 5.3 数据预处理 | 第65-66页 |
| 5.4 能耗预测仿真 | 第66-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-79页 |
| 攻读硕士期间取得的成果及参与的科研项目 | 第79页 |