| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-15页 |
| 1.2.1 单一负荷预测算法 | 第9-11页 |
| 1.2.2 融合预测算法 | 第11-14页 |
| 1.2.3 组合预测算法 | 第14-15页 |
| 1.3 本论文研究内容 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 主要影响因素分析及数据采集和处理 | 第17-31页 |
| 2.1 空调负荷影响因素分析 | 第17-18页 |
| 2.1.1 室外环境因素分析 | 第17页 |
| 2.1.2 系统内部因素分析 | 第17-18页 |
| 2.2 相关性因素分析 | 第18-20页 |
| 2.2.1 分析目的 | 第18页 |
| 2.2.2 因素分析法 | 第18-19页 |
| 2.2.3 主成分分析法 | 第19-20页 |
| 2.3 数据处理 | 第20-30页 |
| 2.3.1 本论文研究对象 | 第20-22页 |
| 2.3.2 输入输出参数选择 | 第22页 |
| 2.3.3 数据采集 | 第22-26页 |
| 2.3.4 主元个数确定 | 第26-29页 |
| 2.3.5 数据预处理 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于支持向量机的空调负荷预测研究 | 第31-47页 |
| 3.1 支持向量机回归方法及原理 | 第31-35页 |
| 3.1.1 支持向量机回归算法基本原理 | 第31-33页 |
| 3.1.2 线性支持向量机回归 | 第33-35页 |
| 3.1.3 非线性支持向量机回归 | 第35页 |
| 3.2 参数优化算法 | 第35-37页 |
| 3.2.1 交叉验证法 | 第35-36页 |
| 3.2.2 网格搜索法 | 第36-37页 |
| 3.2.3 遗传算法 | 第37页 |
| 3.3 支持向量机回归建模要素 | 第37-41页 |
| 3.3.1 基本算法 | 第37-40页 |
| 3.3.2 核函数 | 第40-41页 |
| 3.4 支持向量机预测模型构建 | 第41-46页 |
| 3.4.1 支持向量机负荷预测模型 | 第41-44页 |
| 3.4.2 基于GA优化的支持向量机负荷预测模型 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于BP神经网络的空调负荷预测研究 | 第47-57页 |
| 4.1 BP神经网络原理 | 第47-48页 |
| 4.1.1 神经元基本结构 | 第47页 |
| 4.1.2 BP神经网络基本结构 | 第47-48页 |
| 4.2 BP神经网络建模要素 | 第48-50页 |
| 4.2.1 节点数 | 第49页 |
| 4.2.2 权值w和阈值b | 第49-50页 |
| 4.2.3 激励函数 | 第50页 |
| 4.3 BP神经网络预测模型构建 | 第50-56页 |
| 4.3.1 BP神经网络负荷预测模型 | 第50-53页 |
| 4.3.2 基于GA优化的BP神经网络负荷预测模型 | 第53-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 各种空调负荷预测模型结果分析比较 | 第57-64页 |
| 5.1 预测模型评价指标 | 第57-60页 |
| 5.1.1 误差指标 | 第57-58页 |
| 5.1.2 拟合指标 | 第58-60页 |
| 5.2 各空调负荷预测模型间结构差异分析 | 第60-62页 |
| 5.2.1 BP神经网络特性分析 | 第60页 |
| 5.2.2 支持向量机特性分析 | 第60-61页 |
| 5.2.3 支持向量机与BP神经网络特性差异分析 | 第61-62页 |
| 5.3 各模型预测结果分析 | 第62-63页 |
| 5.3.1 BP神经网络预测模型优化前后预测结果分析 | 第62-63页 |
| 5.3.2 支持向量机预测模型优化前后预测结果分析 | 第63页 |
| 5.3.3 优化BP神经网络与优化SVM预测结果分析 | 第63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论与展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-73页 |
