数据挖掘在短期空调负荷预测中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1. 绪论 | 第9-18页 |
| 1.1 空调系统短期负荷预测意义和目的 | 第9页 |
| 1.2 空调系统短期负荷预测的研究现状 | 第9-14页 |
| 1.2.1 空调系统负荷预测的特点 | 第9-11页 |
| 1.2.2 常用的空调系统负荷预测方法 | 第11-13页 |
| 1.2.3 空调系统负荷预测中未解决的主要问题 | 第13-14页 |
| 1.3 数据挖掘 | 第14-16页 |
| 1.3.1 数据挖掘的概念 | 第14-15页 |
| 1.3.2 常见的数据挖掘方法 | 第15-16页 |
| 1.4 本文主要研究内容 | 第16-18页 |
| 2. 空调负荷数据的清洗 | 第18-37页 |
| 2.1 引言 | 第18-19页 |
| 2.2 不良数据辨识与调整的基本思想 | 第19-20页 |
| 2.3 数据的聚类挖掘 | 第20-26页 |
| 2.3.1 聚类方法 | 第20-21页 |
| 2.3.2 Kohonen网络聚类 | 第21-23页 |
| 2.3.3 Kohonen网络聚类的实现 | 第23-26页 |
| 2.4 不良数据辨识 | 第26-29页 |
| 2.4.1 负荷曲线模式分类 | 第26页 |
| 2.4.2 超圆神经网络模型 | 第26-28页 |
| 2.4.3 超圆神经网络训练 | 第28-29页 |
| 2.4.4 设置接受域 | 第29页 |
| 2.5 不良数据调整 | 第29-31页 |
| 2.5.1 不良数据调整方法 | 第29-31页 |
| 2.5.2 不良数据清洗模型的建立 | 第31页 |
| 2.6 实例分析 | 第31-37页 |
| 2.6.1 样本选取 | 第31-32页 |
| 2.6.2 不良数据清洗过程 | 第32-34页 |
| 2.6.3 清洗结果分析 | 第34-37页 |
| 3 空调负荷预测模型自变量的降维 | 第37-50页 |
| 3.1 引言 | 第37-38页 |
| 3.2 相关性分析法 | 第38-40页 |
| 3.2.1 相关性分析的基本内容 | 第38页 |
| 3.2.2 相关性分析的实现方法 | 第38-39页 |
| 3.2.3 相关性判断 | 第39-40页 |
| 3.3 主成分分析法 | 第40-42页 |
| 3.3.1 主成分分析法的基本内容 | 第40页 |
| 3.3.2 主成分分析法的实现方法 | 第40-42页 |
| 3.4 实例分析 | 第42-50页 |
| 3.4.1 样本集选取 | 第42-43页 |
| 3.4.2 自变量的选取 | 第43-47页 |
| 3.4.3 自变量降维 | 第47-50页 |
| 4. 空调负荷预测模型的建立 | 第50-58页 |
| 4.1 支持向量机 | 第50-51页 |
| 4.1.1 支持向量机理论基本原理 | 第50页 |
| 4.1.2 支持向量机的特点 | 第50-51页 |
| 4.2 支持向量回归 | 第51-52页 |
| 4.2.1 支持向量回归方法 | 第51-52页 |
| 4.2.2 支持向量回归参数的选取 | 第52页 |
| 4.3 实例分析 | 第52-58页 |
| 4.3.1 模型评价依据 | 第52-53页 |
| 4.3.2 样本选取及模型的建立 | 第53-56页 |
| 4.3.3 模型评价 | 第56-58页 |
| 5. 结论与展望 | 第58-60页 |
| 5.1 结论 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录：硕士在研期间发表的论文及参与项目 | 第64-66页 |
| 致谢 | 第66页 |
