基于数据驱动的区域供热系统热负荷预测方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究目的及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 热负荷预测研究现状 | 第12-14页 |
| 1.2.2 特征选择研究现状 | 第14-16页 |
| 1.3 主要研究内容 | 第16页 |
| 1.4 本文主要创新点 | 第16-18页 |
| 第二章 区域供热系统概述 | 第18-26页 |
| 2.1 系统描述 | 第18-20页 |
| 2.1.1 供热系统原理 | 第18-19页 |
| 2.1.2 换热站系统特性 | 第19-20页 |
| 2.2 系统数据采集与预处理 | 第20-23页 |
| 2.2.1 数据采集 | 第20-21页 |
| 2.2.2 数据预处理 | 第21-23页 |
| 2.3 系统数据特征描述 | 第23-25页 |
| 2.3.1 热负荷计算方法 | 第23页 |
| 2.3.2 数据特征表述 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于DWT的短期热负荷预测研究 | 第26-52页 |
| 3.1 热负荷预测概述 | 第26-28页 |
| 3.1.1 热负荷预测分类 | 第26-27页 |
| 3.1.2 热负荷预测影响因素 | 第27页 |
| 3.1.3 热负荷预测流程 | 第27-28页 |
| 3.2 特征选择方法 | 第28-29页 |
| 3.2.1 Pearson分析法 | 第28-29页 |
| 3.2.2 LASSO分析法 | 第29页 |
| 3.3 预测模型建立方法 | 第29-37页 |
| 3.3.1 离散小波变换 | 第29-31页 |
| 3.3.2 人工神经网络 | 第31-32页 |
| 3.3.3 支持向量回归 | 第32-34页 |
| 3.3.4 集成学习算法 | 第34-36页 |
| 3.3.5 模型评价指标 | 第36-37页 |
| 3.4 模型训练流程 | 第37页 |
| 3.5 结果分析与讨论 | 第37-50页 |
| 3.5.1 DWT阶次选择结果 | 第37-39页 |
| 3.5.2 特征选择结果 | 第39-42页 |
| 3.5.3 单一模型预测结果分析 | 第42-44页 |
| 3.5.4 混合模型预测结果分析 | 第44-46页 |
| 3.5.5 多变热负荷下模型性能分析 | 第46-49页 |
| 3.5.6 超参数优化与分析 | 第49-50页 |
| 3.6 本章小结 | 第50-52页 |
| 第四章 基于EMD的短期热负荷预测 | 第52-60页 |
| 4.1 基于EMD的热负荷分解 | 第52-54页 |
| 4.1.1 经验模态分解原理 | 第52页 |
| 4.1.2 热负荷序列EMD分解流程 | 第52-54页 |
| 4.2 基于EMD的 LSTM时间序列预测模型 | 第54-56页 |
| 4.2.1 LSTM原理 | 第54-56页 |
| 4.2.2 预测模型建立流程 | 第56页 |
| 4.3 结果分析与讨论 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 换热站二次回水温度预测研究 | 第60-71页 |
| 5.1 换热站二次回水温度预测概述 | 第60-61页 |
| 5.1.1 二次回水温度预测意义 | 第60页 |
| 5.1.2 二次回水温度预测流程 | 第60-61页 |
| 5.2 系统延迟时间获取 | 第61-63页 |
| 5.2.1 延迟时间获取策略 | 第61-62页 |
| 5.2.2 延迟时间计算结果 | 第62-63页 |
| 5.3 特征选择与模型建立 | 第63-65页 |
| 5.3.1 特征相关性分析 | 第63-64页 |
| 5.3.2 特征选择结果 | 第64页 |
| 5.3.3 模型建立流程 | 第64-65页 |
| 5.4 结果分析与讨论 | 第65-70页 |
| 5.4.1 模型预测结果分析 | 第65-68页 |
| 5.4.2 超参数优化与分析 | 第68-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 附录 | 第78-79页 |
| 在学期间取得的科研成果和科研情况说明 | 第79-80页 |
| 致谢 | 第80页 |
