| 摘要 | 第3-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 课题来源及研究的目的和意义 | 第13-15页 |
| 1.1.1 课题来源 | 第13页 |
| 1.1.2 研究的目的和意义 | 第13-15页 |
| 1.2 预测技术概述及趋势 | 第15-20页 |
| 1.2.1 预测技术概述 | 第15-19页 |
| 1.2.2 预测技术、方式趋势 | 第19-20页 |
| 1.3 供热负荷预测研究发展状态 | 第20-22页 |
| 1.3.1 供热负荷预测分类 | 第20页 |
| 1.3.2 国内外供热负荷预测研究状况 | 第20-22页 |
| 1.4 供热负荷研究存在的问题及本文的创新点 | 第22-23页 |
| 1.5 本文的主要工作和研究内容 | 第23-25页 |
| 第二章 供热负荷预测相关因素分析 | 第25-39页 |
| 2.1 引言 | 第25页 |
| 2.2 基本负荷公式 | 第25-29页 |
| 2.2.1 用户采暖热负荷概算公式 | 第25-26页 |
| 2.2.2 热网热负荷计算公式 | 第26页 |
| 2.2.3 热负荷显示平台 | 第26-29页 |
| 2.3 供热负荷相关因素分析 | 第29-34页 |
| 2.3.1 室外环境因素 | 第29-30页 |
| 2.3.2 系统内部因素 | 第30-31页 |
| 2.3.3 因素相关性分析 | 第31-34页 |
| 2.4 计量供热方式对供热负荷的影响 | 第34-37页 |
| 2.5 供热相关数据预处理 | 第37-38页 |
| 2.6 本章小结 | 第38-39页 |
| 第三章 基于小波神经网络的供热负荷预测研究 | 第39-55页 |
| 3.1 引言 | 第39页 |
| 3.2 基于小波神经网络供热负荷预测模型的提出 | 第39-50页 |
| 3.2.1 神经网络的基本结构 | 第39-45页 |
| 3.2.2 BP神经网络的结构与算法 | 第45-48页 |
| 3.2.3 小波分析理论 | 第48-50页 |
| 3.3 基于小波神经网络供热负荷预测模型的建立 | 第50-53页 |
| 3.4 基于小波神经网络供热负荷预测模型的求解 | 第53-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 基于GS-KCV-SVR的供热负荷预测研究 | 第55-69页 |
| 4.1 引言 | 第55页 |
| 4.2 支持向量机理论 | 第55-62页 |
| 4.2.1 支持向量机分类问题的基本思想与算法 | 第55-60页 |
| 4.2.2 支持向量回归机的基本思想与算法 | 第60-62页 |
| 4.3 支持向量回归参数对模型性能的影响 | 第62-63页 |
| 4.4 交叉验证算法 | 第63-64页 |
| 4.5 GS-KCV-SVR在供热负荷预测中的应用 | 第64-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 基于GA-KCV-SVR和PSO-KCV-SVR的供热负荷预测研究 | 第69-83页 |
| 5.1 引言 | 第69页 |
| 5.2 基于GA-KCV-SVR供热负荷预测模型的提出 | 第69-72页 |
| 5.2.1 遗传算法的基本思想 | 第69-70页 |
| 5.2.2 遗传算法的基本原理 | 第70-72页 |
| 5.3 基于GA-KCV-SVR供热负荷预测模型的建立 | 第72页 |
| 5.4 基于GA-KCV-SVR供热负荷预测模型的求解 | 第72-75页 |
| 5.5 基于PSO-KCV-SVR供热负荷预测模型的提出 | 第75-78页 |
| 5.5.1 粒子群算法的基本思想 | 第75页 |
| 5.5.2 粒子群算法的基本原理 | 第75-78页 |
| 5.6 基于PSO-KCV-SVR供热负荷预测模型的建立 | 第78-79页 |
| 5.7 基于PSO-KCV-SVR供热负荷预测模型的求解 | 第79-81页 |
| 5.8 本章小结 | 第81-83页 |
| 第六章 模型分析与比较 | 第83-95页 |
| 6.1 引言 | 第83页 |
| 6.2 评价原则与指标 | 第83-84页 |
| 6.3 算法原理的分析与比较 | 第84-88页 |
| 6.3.1 神经网络与支持向量机 | 第84-87页 |
| 6.3.2 遗传算法与粒子群算法 | 第87-88页 |
| 6.3.3 网格搜索与启发式算法 | 第88页 |
| 6.4 预测精度的分析与比较 | 第88-92页 |
| 6.4.1 BP神经网络模型与小波神经网络模型 | 第88-89页 |
| 6.4.2 SVR模型与优化参数的SVR模型 | 第89-91页 |
| 6.4.3 六种模型的比较 | 第91-92页 |
| 6.5 其他方面的分析与比较 | 第92-94页 |
| 6.5.1 支持向量回归模型及三种优化模型的参数选择 | 第92-93页 |
| 6.5.2 不同模型的稳定性 | 第93页 |
| 6.5.3 支持向量回归模型及三种优化模型的推广性 | 第93-94页 |
| 6.6 本章小结 | 第94-95页 |
| 第七章 结论与展望 | 第95-99页 |
| 7.1 结论 | 第95-97页 |
| 7.2 展望 | 第97-99页 |
| 参考文献 | 第99-103页 |
| 致谢 | 第103-105页 |
| 攻读学位期间发表的学术论文目录 | 第105页 |
