| 摘要 | 第3-6页 |
| ABSTRACT | 第6-9页 |
| 符号说明 | 第19-24页 |
| 第一章 绪论 | 第24-44页 |
| 1.1 课题来源和研究目的及意义 | 第24-26页 |
| 1.1.1 课题来源 | 第24页 |
| 1.1.2 课题研究目的和意义 | 第24-26页 |
| 1.2 热负荷预测概念及预测技术分类 | 第26-32页 |
| 1.2.1 预测技术概念 | 第26页 |
| 1.2.2 热负荷预测 | 第26-27页 |
| 1.2.3 热负荷预测技术分类 | 第27-32页 |
| 1.3 国内外研究现状 | 第32-42页 |
| 1.3.1 热负荷预测的国外研究现状 | 第33-37页 |
| 1.3.2 热负荷预测的国内研究现状 | 第37-41页 |
| 1.3.3 热负荷预测存在的问题 | 第41-42页 |
| 1.4 本文的主要研究内容 | 第42-44页 |
| 第二章 热负荷影响因素分析及离群数据挖掘 | 第44-62页 |
| 2.1 实验数据来源 | 第44-46页 |
| 2.2 供热系统热负荷特点 | 第46-48页 |
| 2.3 影响预测热负荷的因素分析 | 第48-52页 |
| 2.4 热负荷预测误差分析 | 第52页 |
| 2.5 热负荷及其相关因素离群数据辨识和修正 | 第52-60页 |
| 2.5.1 离群数据辨识和修正的意义 | 第52-53页 |
| 2.5.2 数据预处理基本思想 | 第53-54页 |
| 2.5.3 数据预处理的方法 | 第54-59页 |
| 2.5.4 预测模型输入数据的归一化处理 | 第59-60页 |
| 2.6 热负荷与各影响因素相关性分析 | 第60-61页 |
| 2.7 本章小结 | 第61-62页 |
| 第三章 基于PSO优化支持向量机的热源热负荷预测 | 第62-90页 |
| 3.1 支持向量机（SVM）基础 | 第62-67页 |
| 3.1.1 机器学习 | 第62-63页 |
| 3.1.2 经验风险最小化及其问题 | 第63-64页 |
| 3.1.3 结构风险最小化的支持向量机 | 第64-67页 |
| 3.2 支持向量机（SVM）理论 | 第67-73页 |
| 3.2.1 最优分类面与广义最优分类面 | 第68-71页 |
| 3.2.2 支持向量机 | 第71-72页 |
| 3.2.3 核函数 | 第72-73页 |
| 3.3 支持向量机回归 | 第73-76页 |
| 3.3.1 支持向量机回归模型 | 第73-76页 |
| 3.3.2 模型参数 | 第76页 |
| 3.4 基于智能算法优化的支持向量机预测模型 | 第76-83页 |
| 3.4.1 粒子群（PSO）算法优化支持向量机预测模型 | 第77-79页 |
| 3.4.2 遗传（GA）算法优化支持向量机预测模型 | 第79-83页 |
| 3.5 实验结果分析与讨论 | 第83-89页 |
| 3.5.1 输入变量的选择 | 第84-85页 |
| 3.5.2 样本集的划分 | 第85页 |
| 3.5.3 PSO优化SVM模型预测热源热负荷结果分析 | 第85-87页 |
| 3.5.4 几种预测模型的比较分析 | 第87-89页 |
| 3.6 本章小结 | 第89-90页 |
| 第四章 基于Adaboost组合PSO优化BP神经网络热交换站热负荷预测 | 第90-110页 |
| 4.1 BP神经网络算法 | 第90-96页 |
| 4.1.1 神经网络基本结构 | 第90-93页 |
| 4.1.2 反向传播算法（Back-Propagation Algorithm，BP算法） | 第93-96页 |
| 4.2 PSO优化神经网络预测模型 | 第96-98页 |
| 4.3 基于Adaboost组合PSO优化BP神经网络预测模型 | 第98-100页 |
| 4.3.1 Adaboost算法 | 第98页 |
| 4.3.2 Adaboost组合PSO优化BP神经网络算法 | 第98-100页 |
| 4.4 实验结果分析与讨论 | 第100-107页 |
| 4.4.1 输入变量的选取 | 第100-101页 |
| 4.4.2 热交换站热负荷预测模型 | 第101-103页 |
| 4.4.3 实验结果分析与讨论 | 第103-107页 |
| 4.5 本章小结 | 第107-110页 |
| 第五章 建筑热负荷的智能算法组合预测 | 第110-124页 |
| 5.1 基于信息熵的组合预测模型 | 第111-115页 |
| 5.1.1 组合预测理论 | 第111-112页 |
| 5.1.2 信息熵理论 | 第112-113页 |
| 5.1.3 预测方法选择 | 第113页 |
| 5.1.4 单一预测模型效果评价指标 | 第113-115页 |
| 5.1.5 基于信息熵权的组合预测步骤 | 第115页 |
| 5.2 基于Adaboost组合PSO优化SVM预测模型 | 第115-117页 |
| 5.3 组合预测模型实验结果分析与讨论 | 第117-122页 |
| 5.3.1 输入变量的选择 | 第117-118页 |
| 5.3.2 实验结果分析与讨论 | 第118-122页 |
| 5.4 本章小节 | 第122-124页 |
| 第六章 结论与展望 | 第124-128页 |
| 6.1 主要结论及创新点 | 第124-126页 |
| 6.1.1 主要结论 | 第124-126页 |
| 6.1.2 创新点 | 第126页 |
| 6.2 展望 | 第126-128页 |
| 参考文献 | 第128-136页 |
| 致谢 | 第136-138页 |
| 攻读学位期间发表的学术论文 | 第138-140页 |
| 攻读学位期间参与的科研项目 | 第140-142页 |
| 论文独创性说明 | 第142页 |
