| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 选题来源 | 第11页 |
| 1.2 研究背景 | 第11-13页 |
| 1.3 研究现状 | 第13-18页 |
| 1.3.1 时间序列预测法 | 第13-14页 |
| 1.3.2 基于线性回归方法的预测模型 | 第14页 |
| 1.3.3 智能预测算法 | 第14-17页 |
| 1.3.4 本文基本工作 | 第17-18页 |
| 第二章 支持向量回归机的基本理论 | 第18-33页 |
| 2.1 机器学习的相关概念 | 第18-20页 |
| 2.1.1 机器学习的定义 | 第18页 |
| 2.1.2 机器学习的流程 | 第18-19页 |
| 2.1.3 机器学习的学习方法 | 第19-20页 |
| 2.2 SVM的算法过程 | 第20-24页 |
| 2.3 LS-SVM的算法过程 | 第24-26页 |
| 2.4 LS-SVM与常规SVM比较 | 第26-27页 |
| 2.5 在线支持向量回归机 | 第27-32页 |
| 2.5.1 训练样本的处理方法 | 第28-29页 |
| 2.5.2 增量学习基本原理 | 第29-31页 |
| 2.5.3 减量学习 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 空调冷负荷数据参数选择与预处理 | 第33-42页 |
| 3.1 空调负荷预测模型的输入变量选择 | 第33-38页 |
| 3.2 空调负荷数据归一化处理 | 第38-39页 |
| 3.3 负荷预测评价指标 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 建筑物室外温度预测 | 第42-54页 |
| 4.1 传统建筑物室外温度的ASHRAE计算 | 第42-45页 |
| 4.1.1 建筑物室外温度定系数的ASHRAE计算方法 | 第42-44页 |
| 4.1.2 建筑物室外温度改进的ASHRAE计算方法 | 第44-45页 |
| 4.2 建筑物室外温度ANN计算 | 第45-46页 |
| 4.3 改进建筑物室外温度ASHRAE计算 | 第46-53页 |
| 4.3.1 改进型预测算法的结构流程 | 第46-49页 |
| 4.3.2 三种室外温度预测方法性能对比 | 第49-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 Online LS-SVR空调负荷预测算法 | 第54-65页 |
| 5.1 Online LS-SVR空调负荷的预测过程 | 第55-56页 |
| 5.2 增量减量学习在LS-SVR方法上的实现 | 第56-58页 |
| 5.3 Online LS-SVR空调负荷预测算法的实现 | 第58-60页 |
| 5.3.1 输入参数的选择 | 第58-60页 |
| 5.3.2 数据归一化处理 | 第60页 |
| 5.3.3 核函数及其参数的确定 | 第60页 |
| 5.4 三种不同预测算法预测结果比较及分析 | 第60-63页 |
| 5.5 本章小结 | 第63-65页 |
| 第六章 LS-SVR空调负荷滚动预测算法 | 第65-80页 |
| 6.1 LS-SVR滚动预测算法的过程 | 第65-67页 |
| 6.2 LS-SVR空调负荷滚动预测算法的实现 | 第67页 |
| 6.3 预测模型的预测性能的分析 | 第67-74页 |
| 6.3.1 预测模型在样本量不同时的性能 | 第67-71页 |
| 6.3.2 预测模型的图形分析比较 | 第71-74页 |
| 6.4 本章小结 | 第74-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-75页 |
| 结论 | 第75-76页 |
| 参考文献 | 第76-83页 |
| 附件 | 第83页 |
