| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-19页 |
| ·课题背景及意义 | 第11-12页 |
| ·建筑物空调负荷预测研究工作的发展和现状 | 第12-17页 |
| ·基于软件模拟的预测方法 | 第12-13页 |
| ·基于线性回归分析的预测算法 | 第13页 |
| ·基于机器学习的预测算法 | 第13-17页 |
| ·本文研究的主要内容 | 第17-19页 |
| 第二章 基于支持向量回归机的预测算法原理 | 第19-30页 |
| ·机器学习基本概念 | 第19-20页 |
| ·机器学习定义 | 第19页 |
| ·机器学习系统的基本模型 | 第19-20页 |
| ·机器学习的算法类型 | 第20页 |
| ·常规支持向量回归机的基本原理 | 第20-24页 |
| ·在线支持向量回归机的基本原理 | 第24-29页 |
| ·训练样本集的分类 | 第25页 |
| ·增量学习算法 | 第25-29页 |
| ·减量学习算法 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第三章 空调负荷数据预处理与预测模型评价指标 | 第30-40页 |
| ·研究对象 | 第30-31页 |
| ·空调负荷数据样本分类 | 第31-33页 |
| ·空调负荷预测模型的输入参数选择 | 第33-36页 |
| ·空调负荷数据归一化处理 | 第36-38页 |
| ·负荷预测评价指标 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于粒子群的空调负荷预测 SVR 模型参数优化 | 第40-53页 |
| ·常用的参数优化算法 | 第40-42页 |
| ·网格搜索法 | 第40页 |
| ·遗传算法 | 第40-42页 |
| ·粒子群优化算法 | 第42页 |
| ·基于 PSO 的建筑物空调负荷预测 SVR 模型参数优化算法 | 第42-45页 |
| ·基于 PSO 的建筑物空调负荷预测 SVR 模型参数优化 | 第45-49页 |
| ·空调负荷预测数据样本分类 | 第45页 |
| ·输入参数的选择 | 第45-46页 |
| ·训练样本选择及空调负荷预测数据归一化处理 | 第46页 |
| ·建筑物空调负荷预测 SVR 模型核函数选择 | 第46页 |
| ·建筑物空调负荷预测 SVR 模型超参数选择 | 第46-49页 |
| ·三种寻优算法预测结果比较及分析 | 第49-51页 |
| ·本章小结 | 第51-53页 |
| 第五章 建筑物空调负荷 Online SVR 预测算法 | 第53-63页 |
| ·建筑物空调负荷 Online SVR 预测算法流程 | 第53-55页 |
| ·建筑物空调负荷 Online SVR 的增量减量算法实现 | 第55-57页 |
| ·建筑物空调负荷 Online SVR 预测算法实现 | 第57-59页 |
| ·样本数据分类 | 第57页 |
| ·输入参数的选择 | 第57-58页 |
| ·数据归一化处理 | 第58页 |
| ·在线训练样本长度及待预测样本选择 | 第58页 |
| ·核函数及超参数选择 | 第58-59页 |
| ·三种不同预测算法预测结果比较及分析 | 第59-62页 |
| ·本章小结 | 第62-63页 |
| 第六章 建筑物空调负荷 SVR 滚动预测算法 | 第63-75页 |
| ·建筑物空调负荷 SVR 滚动预测算法步骤 | 第63-65页 |
| ·建筑物空调负荷 SVR 滚动预测算法实现 | 第65-67页 |
| ·样本数据分类 | 第65页 |
| ·输入输出变量选择 | 第65-66页 |
| ·数据归一化处理 | 第66页 |
| ·训练样本长度及待预测样本选择 | 第66页 |
| ·核函数及超参数选择 | 第66-67页 |
| ·预测结果比较及分析 | 第67-74页 |
| ·不同训练样本长度下四种预测模型预测性能比较 | 第67-70页 |
| ·输入变量的影响分析 | 第70-73页 |
| ·各种空调负荷预测算法总评价指标的比较与分析 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士学位期间取得的研究成果 | 第81-82页 |
| 致谢 | 第82-84页 |
| 附件 | 第84页 |
