| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 创新点摘要 | 第7-8页 |
| 目录 | 第8-11页 |
| 绪论 | 第11-18页 |
| ·课题的研究目的和意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·现有预测方法的分析 | 第14-16页 |
| ·本文的主要研究工作及研究思路 | 第16-18页 |
| 第一章 热水供暖系统的供热调节理论基础 | 第18-25页 |
| ·概述 | 第18页 |
| ·供热调节基本公式 | 第18-20页 |
| ·几种主要的集中调节方法 | 第20-23页 |
| ·质调节 | 第20-22页 |
| ·流量调节 | 第22-23页 |
| ·分阶段改变流量的质调节 | 第23页 |
| ·间歇调节 | 第23页 |
| ·本章小结 | 第23-25页 |
| 第二章 日气温变化预测模型建立方法 | 第25-47页 |
| ·气温日变化规律 | 第25-27页 |
| ·气温日变化曲线形态及其主要特征 | 第25-26页 |
| ·气温日变化的季节特征 | 第26页 |
| ·日极端气温及其变化特征 | 第26页 |
| ·气温日较差及其逐月变化特征 | 第26-27页 |
| ·日气温预测方法 | 第27-28页 |
| ·日出、日落时间计算方法 | 第28-31页 |
| ·天文背景知识 | 第28页 |
| ·日出日落时刻计算方法 | 第28-31页 |
| ·天气预报数据自动获取方法 | 第31-34页 |
| ·三次样条插值法绘制气温日变化预测曲线 | 第34-45页 |
| ·样条概念 | 第34-36页 |
| ·三次样条函数的定义 | 第36页 |
| ·系数用结点处二阶导数表示的三次样条函数 | 第36-40页 |
| ·系数用结点处一阶导数表示的三次样条函数 | 第40-43页 |
| ·解三对角形方程组的追赶法 | 第43-45页 |
| ·预测温度曲线图 | 第45页 |
| ·本章小结 | 第45-47页 |
| 第三章 基于最小二乘法的供回水温度预测模型 | 第47-59页 |
| ·最小二乘法原理 | 第47-49页 |
| ·基于最小二乘法的供回水温度关系模型建立方法 | 第49-55页 |
| ·供热系统运行调节参数间的关系 | 第49-52页 |
| ·基于最小二乘法的建模方法 | 第52-53页 |
| ·对模型中的参数进行估计 | 第53-55页 |
| ·模拟实验结果 | 第55页 |
| ·基于最小二乘法的供回水温度关系模型应用于热负荷预测 | 第55-58页 |
| ·给定时间内应供热量计算方法 | 第55-56页 |
| ·系统流量的确定方法 | 第56页 |
| ·供回水温差计算方法 | 第56页 |
| ·预测不同室外温度下的供回水温度 | 第56-57页 |
| ·实验对比 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第四章 基于BP神经网络的热负荷预测模型 | 第59-80页 |
| ·BP神经网络理论基础 | 第59-70页 |
| ·人工神经网络的发展与应用 | 第59-60页 |
| ·人工神经网络的基本特征与功能 | 第60-62页 |
| ·人工神经元模型 | 第62-63页 |
| ·多层前馈网络模型 | 第63-65页 |
| ·多层前馈网络的主要能力 | 第65页 |
| ·BP学习算法 | 第65-68页 |
| ·BP算法的程序实现 | 第68-70页 |
| ·基于BP神经网络的供回水温度预测模型 | 第70-77页 |
| ·网络结构设计 | 第70-72页 |
| ·标准BP算法的改进措施 | 第72-74页 |
| ·初始权值的设定 | 第74页 |
| ·样本数据的选择和数据的预处理 | 第74-76页 |
| ·网络的训练与测试 | 第76-77页 |
| ·模拟实验结果及其存在的问题 | 第77-79页 |
| ·训练结果 | 第77-78页 |
| ·实验对比 | 第78-79页 |
| ·本章小结 | 第79-80页 |
| 第五章 基于小波神经网络的热负荷预测模型 | 第80-89页 |
| ·小波分析介绍 | 第80-81页 |
| ·小波分析理论与神经网络理论相结合的优势 | 第81-82页 |
| ·基于小波神经网络的热负荷预测模型 | 第82-88页 |
| ·小波神经网络算法推导 | 第82-84页 |
| ·小波神经网络的结构 | 第84-85页 |
| ·算法流程 | 第85-86页 |
| ·实验对比 | 第86-88页 |
| ·本章小结 | 第88-89页 |
| 第六章 基于改进粒子群算法的热负荷组合预测模型 | 第89-104页 |
| ·粒子群算法 | 第89-92页 |
| ·粒子群算法简介 | 第89-90页 |
| ·标准粒子群算法描述 | 第90页 |
| ·粒子群算法的研究方向 | 第90-91页 |
| ·粒子群算法与其它进化算法的比较 | 第91-92页 |
| ·粒子群算法改进 | 第92-98页 |
| ·粒子群算法改进研究现状 | 第92-93页 |
| ·改进粒子群算法的实现 | 第93-97页 |
| ·粒子群算法改进描述 | 第97-98页 |
| ·组合预测模型原理 | 第98-101页 |
| ·组合预测模型概述 | 第98页 |
| ·单项预测模型的选择 | 第98-99页 |
| ·组合预测模型权重的确定 | 第99-101页 |
| ·基于改进粒子群算法的热负荷组合预测模型 | 第101-102页 |
| ·实验对比 | 第102-103页 |
| ·本章小结 | 第103-104页 |
| 结论 | 第104-106页 |
| 参考文献 | 第106-113页 |
| 发表文章目录 | 第113-114页 |
| 致谢 | 第114-115页 |
| 详细摘要 | 第115-123页 |