| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 常用缩略词 | 第13-14页 |
| 主要标识符 | 第14-16页 |
| 第一章 绪论 | 第16-31页 |
| 1.1 课题来源 | 第16页 |
| 1.2 背景与意义 | 第16-19页 |
| 1.3 冷负荷计算的国内外研究现状 | 第19-26页 |
| 1.3.1 机理分析建模计算冷负荷 | 第19-21页 |
| 1.3.2 数据学习建模计算冷负荷 | 第21-24页 |
| 1.3.3 当前存在的问题 | 第24-26页 |
| 1.4 实时软测量技术的国内外研究现状 | 第26-28页 |
| 1.4.1 实时软测量研究现状 | 第26-27页 |
| 1.4.2 当前存在的问题 | 第27-28页 |
| 1.5 本论文研究内容及章节安排 | 第28-31页 |
| 第二章 建筑空间冷负荷实时软测量方案 | 第31-45页 |
| 2.1 冷负荷基本概念 | 第31-33页 |
| 2.2 冷负荷形成机理 | 第33-36页 |
| 2.3 空调基本原理 | 第36-39页 |
| 2.4 空调运行模式下的建筑空间能量平衡 | 第39-42页 |
| 2.5 建筑空间冷负荷的软测量方案设计 | 第42-43页 |
| 2.6 本章小结 | 第43-45页 |
| 第三章 基于频域分解的冷负荷软测量建模 | 第45-66页 |
| 3.1 冷负荷的频域特性 | 第45-49页 |
| 3.1.1 冷负荷频域特性分析 | 第45-47页 |
| 3.1.2 冷负荷频域特性实验验证 | 第47-49页 |
| 3.2 基于频域分解的冷负荷软测量无监督建模 | 第49-52页 |
| 3.3 针对冷负荷软测量无监督建模的实验设计 | 第52-58页 |
| 3.3.1 仿真实验设计 | 第52-56页 |
| 3.3.2 实测实验设计 | 第56-58页 |
| 3.4 实验验证 | 第58-62页 |
| 3.4.1 仿真实验 | 第58-60页 |
| 3.4.2 实测实验 | 第60-62页 |
| 3.5 频域分解法误差分析 | 第62-65页 |
| 3.6 本章小结 | 第65-66页 |
| 第四章 基于深度学习的冷负荷预测 | 第66-87页 |
| 4.1 深度学习 | 第66-69页 |
| 4.2 深度循环神经网络 | 第69-74页 |
| 4.2.1 循环神经网络 | 第69-71页 |
| 4.2.2 深度循环神经网络 | 第71-74页 |
| 4.3 基于GN-LM的自适应权值修正算法 | 第74-78页 |
| 4.4 基于深度学习的冷负荷预测模型 | 第78-83页 |
| 4.4.1 冷负荷预测模型 | 第78-79页 |
| 4.4.2 模型中的数据 | 第79-80页 |
| 4.4.3 模型中的深度学习结构 | 第80-82页 |
| 4.4.4 模型分析 | 第82-83页 |
| 4.5 实验验证 | 第83-85页 |
| 4.5.1 仿真实验 | 第83-84页 |
| 4.5.2 实测实验 | 第84-85页 |
| 4.6 本章小结 | 第85-87页 |
| 第五章 基于改进粒子滤波的冷负荷软测量建模 | 第87-112页 |
| 5.1 粒子滤波 | 第87-92页 |
| 5.2 改进粒子滤波 | 第92-97页 |
| 5.3 基于改进粒子滤波的冷负荷软测量模型 | 第97-100页 |
| 5.3.1 基于改进粒子滤波的冷负荷软测量建模方案 | 第97-98页 |
| 5.3.2 模型各环节的设计 | 第98-100页 |
| 5.3.3 冷负荷计算 | 第100页 |
| 5.4 实验验证 | 第100-103页 |
| 5.4.1 仿真实验 | 第101-102页 |
| 5.4.2 实测实验 | 第102-103页 |
| 5.5 基于时间可预测性的无监督建模结果评价 | 第103-111页 |
| 5.5.1 无监督建模结果评价现状 | 第103-105页 |
| 5.5.2 时间可预测性 | 第105-108页 |
| 5.5.3 基于时间可预测性的无监督建模结果评价 | 第108-111页 |
| 5.6 本章小结 | 第111-112页 |
| 第六章 总结与展望 | 第112-115页 |
| 6.1 全文总结 | 第112-113页 |
| 6.2 进一步工作展望 | 第113-115页 |
| 参考文献 | 第115-134页 |
| 攻读博士学位期间公开发表论文 | 第134-135页 |
| 攻读博士学位以来参加和完成的科研项目 | 第135-136页 |
| 致谢 | 第136-137页 |