超高层建筑用电最大负荷预测研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 课题的研究背景及意义 | 第7-8页 |
| 1.2 电力负荷预测的分类和特点 | 第8-9页 |
| 1.2.1 电力负荷分类 | 第8页 |
| 1.2.2 电力负荷预测的分类 | 第8页 |
| 1.2.3 电力负荷预测的特点 | 第8-9页 |
| 1.3 电力负荷预测的研究现状 | 第9-10页 |
| 1.4 超高层建筑研究综述 | 第10-13页 |
| 1.4.1 超高层建筑在我国的发展 | 第11-12页 |
| 1.4.2 超高层建筑特点 | 第12-13页 |
| 1.4.3 高层建筑负荷特点 | 第13页 |
| 1.5 本文主要研究工作及章节安排 | 第13-15页 |
| 第2章基于BP神经网络的电力负荷预测 | 第15-28页 |
| 2.1 人工神经网络 | 第15-19页 |
| 2.1.1 人工神经网络概述 | 第15-16页 |
| 2.1.2 人工神经网络的基本特征 | 第16页 |
| 2.1.3 人工神经网络的功能 | 第16-17页 |
| 2.1.4 人工神经元模型和网络结构 | 第17-19页 |
| 2.2 BP神经网络 | 第19-26页 |
| 2.2.1 BP神经网络原理 | 第19-20页 |
| 2.2.2 BP神经网络的数学描述 | 第20-22页 |
| 2.2.3 BP神经网络的拓扑结构 | 第22-23页 |
| 2.2.4 BP神经网络学习的几个参数 | 第23-25页 |
| 2.2.5 BP神经网络设计流程 | 第25-26页 |
| 2.3 MATLAB神经网络工具箱 | 第26页 |
| 2.4 BP神经网络负荷预测流程 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于支持向量机的电力负荷预测 | 第28-36页 |
| 3.1 支持向量机（SVM）理论介绍 | 第28-32页 |
| 3.1.1 最优分类超平面 | 第29-30页 |
| 3.1.2 线性SVM | 第30-31页 |
| 3.1.3 非线性SVM | 第31-32页 |
| 3.2 核函数 | 第32-33页 |
| 3.3 参数优化 | 第33-34页 |
| 3.4 LIBSVM工具箱 | 第34-35页 |
| 3.5 支持向量机电力负荷预测的一般步骤 | 第35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 超高层建筑用电最大负荷预测分析 | 第36-52页 |
| 4.1 数据的采集 | 第36页 |
| 4.2 数据的处理 | 第36-38页 |
| 4.2.1 数据处理重要性 | 第36页 |
| 4.2.2 数据处理方法 | 第36-38页 |
| 4.3 输入样本的预处理 | 第38页 |
| 4.3.1 学习样本的选取 | 第38页 |
| 4.3.2 负荷数据归一化处理 | 第38页 |
| 4.4 预测误差分析 | 第38-39页 |
| 4.5 算例分析 | 第39-51页 |
| 4.5.1 算例概述 | 第39-42页 |
| 4.5.2 算例分析—基于BP神经网络模型预测 | 第42-47页 |
| 4.5.3 算例分析—基于支持向量机模型预测 | 第47-50页 |
| 4.5.4 结论分析 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 5.1 研究结论 | 第52-53页 |
| 5.2 工作展望 | 第53-54页 |
| 参考文献 | 第54-56页 |
| 致谢 | 第56-57页 |
| 研究生阶段论文发表情况 | 第57页 |
