基于树模型与神经网络模型的住宅建筑供暖负荷预测的研究

目录

声明

第1章绪论

1.1 课题背景及意义

1.2 国内外研究现状

1.2.1 供暖负荷预测的输入特征

1.2.2 供暖负荷预测方法

1.3主要存在的问题

1.4 研究目的与内容

第2章理论与方法

2.1 模型输入参数的获得

2.1.1 供暖负荷预测模型中影响因子选择

2.1.2 相关性分析

2.1.3 输入参数获得

2.2 树模型相关理论

2.2.1 梯度增强回归树（GBDT）算法理论

2.2.2 极限梯度提升树（XGBoost）算法理论

2.3 神经网络相关理论

2.3.1 预测模型

2.3.2 双向记忆神经网络

2.3.3 激活函数

2.3.4 Dropout层

2.3.5 自适应学习率算法

2.4 模型评价指标以及过拟合判断

2.4.1 均方根误差（RMSE）

2.4.2 平均绝对误差（MAE）

2.4.3 变异系数均方误差（CV-RMSE）

2.4.4 过拟合判断

2.5 本章小结

第3章住宅建筑供暖数据获取及分析

3.1 原始数据获取

3.1.1 测试对象

3.1.2 测试参数及仪器

3.1.3 测试数据传输与存储

3.1.4 测试结果

3.2 数据预处理

3.2.1 数据清洗

3.2.2 构建新特征

3.2.3 规范化处理

3.3 输入参数获得

3.3.1 相关性分析

3.3.2 主成分分析

3.4 本章小结

第4章基于树模型的住宅建筑供暖负荷预测

4.1 训练集、测试集的划分与超参数调优

4.1.1 训练集、测试集的划分

4.1.2 模型参数选择

4.2 决策树（DT）实验

4.2.1 DT模型构建

4.2.2 DT模型评价

4.3 梯度提升树（GBDT）实验

4.3.1 GBDT模型构建

4.3.2 GBDT模型评价

4.4 XGBoost 模型实验

4.4.1 XGBoost超参数

4.4.2 XGBoost模型评价

4.5 本章小结

第5章基于神经网络模型住宅建筑供暖负荷预测

5.1 基于LSTM模型住宅建筑供暖负荷预测

5.1.1 模型构建及参数选择

5.1.2 LSTM模型预测结果分析

5.2 自适应学习率优化器在LSTM模型中的应用

5.3 Dropout 机制与双向神经网络机制的应用

5.3.1 加入Dropout机制

5.3.2 加入双向神经网络机制

5.4 基于TCN模型的住宅建筑供暖负荷预测

5.4.1 TCN模型理论

5.4.2 TCN模型构建及预测结果分析

5.5 本章小结

第6章住宅建筑供暖负荷预测结果对比

6.1 住宅建筑短期负荷预测结果对比及分析

6.2 住宅建筑超短期负荷预测结果对比及分析

第7章结论与展望

7.1结论

7.2展望

参考文献

参加科研情况说明

致谢