| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题背景及研究目的与意义 | 第10-13页 |
| 1.2.1 课题背景 | 第10-12页 |
| 1.2.2 课题研究目的与意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-19页 |
| 1.3.1 建筑暖通空调领域数据挖掘框架流程 | 第13-14页 |
| 1.3.2 建筑暖通空调领域数据来源与数据预处理 | 第14-15页 |
| 1.3.3 空调系统优化运行与控制研究现状 | 第15-19页 |
| 1.4 主要研究内容与方法 | 第19-22页 |
| 1.4.1 主要研究内容 | 第19-20页 |
| 1.4.2 主要研究方法与技术路线 | 第20-22页 |
| 第2章 数据预处理 | 第22-36页 |
| 2.1 建筑能耗数据预处理框架流程 | 第22-24页 |
| 2.1.1 建筑能耗监测数据特点 | 第22-23页 |
| 2.1.2 建筑能耗数据预处理框架流程与方法 | 第23-24页 |
| 2.2 本研究数据来源与数据质量特点 | 第24-28页 |
| 2.2.1 数据来源 | 第24-27页 |
| 2.2.2 本研究实际数据质量特点 | 第27-28页 |
| 2.3 基于kNN算法的缺失数据处理 | 第28-29页 |
| 2.3.1 kNN算法原理 | 第28-29页 |
| 2.3.2 缺失数据处理 | 第29页 |
| 2.4 基于K-Means算法的异常数据识别与清洗 | 第29-33页 |
| 2.4.1 K-Means算法原理 | 第29-31页 |
| 2.4.2 异常数据识别与清洗 | 第31-33页 |
| 2.5 基于PCA算法的数据降维 | 第33-34页 |
| 2.5.1 PCA算法原理 | 第33-34页 |
| 2.5.2 数据降维 | 第34页 |
| 2.6 本章小结 | 第34-36页 |
| 第3章 基于机器学习算法的空调冷源系统建模 | 第36-56页 |
| 3.1 空调冷源系统基础模型 | 第36-39页 |
| 3.1.1 制冷机组基础模型 | 第36-38页 |
| 3.1.2 水泵基础模型 | 第38-39页 |
| 3.1.3 模型比较、改进与选择 | 第39页 |
| 3.2 基于特征工程的实际制冷机组建模方法 | 第39-45页 |
| 3.2.1 特征工程基本原理 | 第39-40页 |
| 3.2.2 制冷机组模型参数分析与模型改进 | 第40-44页 |
| 3.2.3 分负荷区间段的制冷机组建模原理 | 第44-45页 |
| 3.3 基于监督式算法的历史数据训练方法 | 第45-48页 |
| 3.3.1 广义线性回归算法原理 | 第46页 |
| 3.3.2 最小二乘法 | 第46-47页 |
| 3.3.3 误差分析与交叉验证 | 第47-48页 |
| 3.4 基于实际数据的冷源系统建模结果 | 第48-54页 |
| 3.4.1 制冷机组模型 | 第48-52页 |
| 3.4.2 水泵模型 | 第52-54页 |
| 3.4.3 冷源系统能耗模型 | 第54页 |
| 3.5 本章小结 | 第54-56页 |
| 第4章 基于机器学习算法的空调冷源系统控制优化 | 第56-72页 |
| 4.1 冷源系统节能影响因素分析 | 第56-57页 |
| 4.2 空调冷源系统优化控制建模 | 第57-60页 |
| 4.2.1 输入参数的选取 | 第57页 |
| 4.2.2 优化参数的选取 | 第57-58页 |
| 4.2.3 约束条件的建立 | 第58-59页 |
| 4.2.4 目标函数的确立 | 第59-60页 |
| 4.3 优化问题的求解策略与算法 | 第60-67页 |
| 4.3.1 多目标优化问题 | 第60-61页 |
| 4.3.2 遗传算法原理及其实现 | 第61-64页 |
| 4.3.3 粒子群算法原理及其实现 | 第64-67页 |
| 4.4 空调冷源系统优化控制结果 | 第67-70页 |
| 4.4.1 基于实际数据的优化算法的比较与选取 | 第67-68页 |
| 4.4.2 分负荷区间段优化控制参数结果 | 第68-69页 |
| 4.4.3 优化控制效果分析 | 第69-70页 |
| 4.5 本章小结 | 第70-72页 |
| 第5章 基于机器学习算法的空调系统负荷预测 | 第72-88页 |
| 5.1 空调系统负荷预测影响因素分析 | 第72-75页 |
| 5.1.1 空调系统负荷预测影响因素概述 | 第72-73页 |
| 5.1.2 数据的可获取性分析及输入参数选取 | 第73-75页 |
| 5.2 基于机器学习的空调系统负荷预测原理 | 第75-80页 |
| 5.2.1 基于分类算法的负荷预测原理 | 第75-76页 |
| 5.2.2 基于支持向量机与支持向量回归算法的负荷预测原理 | 第76-78页 |
| 5.2.3 基于人工神经网路算法的负荷预测原理 | 第78-80页 |
| 5.3 空调系统负荷预测算法的比较与选取 | 第80-85页 |
| 5.3.1 相同训练数据量不同算法的比较 | 第81-83页 |
| 5.3.2 不同训练数据量相同算法的比较 | 第83-85页 |
| 5.4 本章小结 | 第85-88页 |
| 第6章 空调系统的前馈控制策略及系统研发 | 第88-98页 |
| 6.1 空调系统前馈控制策略 | 第88-90页 |
| 6.1.1 基于负荷预测和控制优化的前馈控制策略 | 第88-89页 |
| 6.1.2 典型日的前馈控制及其节能效果分析 | 第89-90页 |
| 6.2 空调系统前馈控制平台/软件开发 | 第90-96页 |
| 6.2.1 前馈控制系统架构 | 第90-92页 |
| 6.2.2 系统构成模块功能分析 | 第92-93页 |
| 6.2.3 基于Java的前馈控制平台 | 第93-94页 |
| 6.2.4 前馈控制平台节能效果分析 | 第94-96页 |
| 6.3 本章小结 | 第96-98页 |
| 第7章 结论与展望 | 第98-100页 |
| 7.1 主要研究结论与创新点 | 第98-99页 |
| 7.2 存在问题及展望 | 第99-100页 |
| 参考文献 | 第100-106页 |
| 攻读硕士期间取得的研究成果 | 第106-107页 |
| 攻读硕士期间参与的科研课题 | 第107-108页 |
| 致谢 | 第108-109页 |