一、基于BP改进模型的空调系统负荷预测（论文文献综述）
孙锐[1]（2021）在《基于粒子群优化的高效制冷机房负荷预测及控制策略研究》文中研究说明建筑运行所消耗的能源占全球能源消费总量的30%,其所排放的CO2占全球CO2排放总量的28%。为减少建筑碳排放、实现绿色发展,我国提出一系列应对措施,其中建立高效制冷机房,提升制冷系统能效,是实现我国“2030年碳排放达峰,2060年碳排放中和”目标的重要手段。在制冷机房的实际运行中,由于系统设计不合理、控制策略不完善等因素导致制冷机房能耗一直居高不下。本文以建立高效制冷机房为目标,对高效制冷设备、节能技术的应用以及运行控制策略进行研究,以青岛市某公共建筑的制冷机房实例为研究基础,制定制冷系统设计方案及运行控制方案。采集研究对象的历史运行数据,分析制冷机房运行能效低、能耗高的原因,并提出建立高效机房的设计思路。基于De ST软件搭建建筑冷负荷模拟模型,根据模拟结果进行高效设备的选型,包括高效螺杆式冷水机组、变频水泵、小冷幅冷却水塔。基于Revit建立系统三维模型并分析不同布置方式时系统的阻力情况,对管路系统进行优化。利用TRNSYS建立制冷机房仿真模拟平台,以实际的冷负荷作为输入,对比设备优化前后制冷机房能耗。并以同类型制冷机房的实际能耗量为基准检验仿真平台的准确性。模拟可得,采用高效设备并结合一定的控制策略优化后的制冷机房,与原有运行相比可减少129tce的能耗,制冷能效EER可提升至4.68。通过对控制策略的优化可使制冷能效EER进一步提高。将负荷预测与粒子群算法结合制定制冷机房的运行策略。选用BP神经网络作为建筑的冷负荷预测方法并建立模型,以建筑历史运行数据及气象参数作为输入,模型具有良好的拟合性和预测精度,平均相对误差为5.9%。制冷机房各设备的运行参数互相耦合,仅对单一变量进行优化无法使系统运行在最佳状态。本文基于粒子群算法,建立TRNOPT寻优平台,对制冷机房各设备运行参数进行寻优。在建筑冷负荷一定时,以制冷机房能耗最低为目标,在保证建筑室内温度满足用户舒适性的前提下,通过定义自变量、设定约束条件、确定目标函数,对制冷机组蒸发器出水设定温度、冷冻水泵频率、冷却水泵频率、冷却水塔风机频率四个耦合变量进行寻优,得到不同负荷率下设备最佳运行设定参数表。设计负荷预测-参数寻优的控制策略并通过TRNSYS与MATLAB联合进行能耗模拟。模拟可得,将优化的控制策略应用于目标制冷机房的运行与传统控制策略下制冷机房运行相比可节省24.9%的能源消耗,制冷机房EER可提升至5.5,达到高效制冷机房标准。设计上位机层-现场控制层-被控设备层三层制冷机房群控系统将所提出控制策略应用于实际。本文从制冷系统设计、运行控制优化两方面研究了如何建立高效制冷机房,并提出系统性的高效制冷机房建立方法。得到的研究成果可为同类制冷机房设计提供一定的参考。
杨福[2]（2021）在《地铁站动态空调负荷预测及节能调控分析》文中研究说明随着轨道交通技术的发展,人们出行方式也在逐步改变,地铁已然成为现代化城市不可缺少的交通方式。地铁系统发展的同时,其能源的消耗也不容小觑,为了改善地铁站内环境,地铁通风空调系统由此而生。随着人们对舒适性需求越来越高,地铁通风空调系统的能耗在地铁系统总能耗中占比也愈来愈大。因此,降低地铁通风空调系统能耗变得越来越重要。为了使地铁通风空调系统更好的满足人们的舒适性需求,需要对地铁站内环境进行分析。本文以南昌地铁一号线双港站和青山湖大道站为研究对象,首先分析了地铁站得热因素,构建了地铁站围护结构传热模型,应用有限差分法对围护结构数学模型进行离散化,建立围护结构节点离散方程组。而后通过matlab编程进行模型求解,分析两站的围护结构传热。结果表明,地铁站围护结构传热量变化较小,基本趋于一个稳定值。然而,导致地铁站空调冷负荷动态变化的主要原因是人流量的逐时变化。因此,需要对地铁站人流量动态变化情况进行分析。为了建立人流量预测模型,本文对BP神经网络预测算法进行了深度研究,考虑到BP神经网络算法的局限性,应用遗传算法对其进行优化。以双港站和青山湖大道站人流量历史数据为基础进行综合分析,构建了遗传算法优化的BP神经网络预测模型。分析结果显示,遗传算法优化的BP神经网络模型比传统BP神经网络模型预测误差降低10%左右。通过分析室内各种热源冷负荷以及新风冷负荷,构建冷负荷计算模型,以预测人流量结果为基础,分别对双港站和青山湖大道站的室内各种热源冷负荷以及新风冷负荷进行计算。结果表明,由于受地铁站内人流量逐时变化的影响,室内热源冷负荷和新风负荷均不断波动,其冷负荷值在高峰和低谷差值较大,不能忽视其波动。为了实现地铁站空调系统节能目标,本文分别对地铁站空调风系统和水系统换热过程进行分析,其次对空调系统变风量运行模式和定风量运行模式进行分析,通过建立地铁站空调系统能耗计算模型,分别对两站变风量运行模式能耗和定风量运行模式能耗进行模拟。结果显示,在平常时段变风量运行模式比定风量运行模式更节能,而在高峰时段,定风量运行模式比变风量运行模式更节能。最后提出了一种结合变风量和定风量的节能调控运行模式,并进行能耗分析。结果表明,节能调控运行模式比变风量运行模式节能4%左右,比定风量运行模式节能17%左右。
郭虹[3]（2021）在《中央空调冷站系统多模型融合优化节能控制研究》文中认为中央空调系统是城市公共建筑中重要的基础配套设施和主要能源消耗装置,为了实现对中央空调系统的优化节能控制,需要重点对中央空调冷站系统进行研究。而影响中央空调冷站系统优化节能的关键因素之一是建立准确的静态能耗模型。对于中央空调冷站系统建模存在的问题,文中针对能耗占比最大、非线性最强的中央空调制冷机组提出了一种基于工况划分的多模型加权融合模型。根据制冷机组工作曲线的非线性特征、将输入/输出数据聚类为若干个子类,每个子类采用麦夸特法建立一个子模型。考虑到中央空调系统的慢时变特性和制冷机组的工况特点,子模型间存在信息冗余,因此采用加权法融合子模型最终形成一个全局模型以消除其冗余信息,加权系数以均方差最小为指标,利用粒子群算法优化得到。仿真结果验证了文中建立的制冷机组的多模型融合模型的精度高于单一的全局模型。该制冷机组的多模型融合模型应用于中央空调冷站系统的优化节能,将更符合实际工况。准确的负荷预测是中央空调冷站系统优化节能控制的基础,同时也是建筑节能技术中的重要环节。文中选用BP神经网络对中央空调冷负荷进行预测,依据历史样本数据来预测中央空调系统未来一天内的逐分冷负荷,选取样本数据的历史冷负荷数据和气象因子作为训练样本,以得到准确的中央空调系统的冷负荷预测值。在得到准确的中央空调预测冷负荷和中央空调冷站系统的能耗模型之后,通过控制中央空调冷站系统运行在当前负荷需求下的最佳工作点来实现系统的优化节能控制。为了得到中央空调冷站系统在不同的冷负荷下的最佳工作点,以中央空调冷站系统的能耗最小为目标,将中央空调冷站系统的静态能耗模型作为目标函数,建立目标函数的约束条件,同时利用粒子群优化算法,计算得到中央空调冷站系统在不同冷负荷需求下的最佳工作点并进行优化节能控制。由于中央空调冷站是一个具有强扰动的系统,因此当外界影响因子发生变化时,需要对扰动进行估计和消除。文中利用自抗扰控制器实现中央空调冷站系统的优化节能控制,并与PID控制器的控制性能进行对比以得到最佳的控制方法,自抗扰控制器可以通过微分跟踪器有效的消除中央空调冷站系统在控制过程中出现的超调,并利用扩张状态观测器对中央空调冷站系统的外扰和内扰进行预估和消除,具有较强的鲁棒性。文中通过在Simulink Model中搭建自抗扰控制器模型进行仿真,跟踪控制中央空调冷站系统工作在不同冷负荷需求下的最佳工作点,以实现中央空调冷站系统的优化节能控制。
吴璇[4]（2021）在《基于实测数据的地铁空调负荷预测研究》文中研究指明随着科学技术的发展和社会的进步,我国的地铁车站建设进入了迅猛发展的时代,地铁作为一种方便快捷的公共交通方式,已是人们市内出行的主要途径。目前地铁站空调系统总体能耗较大且存在着能源浪费的现象,若能针对地铁站特点对其逐时空调负荷进行预测,则可以对空调系统的运行进行指导和优化,减少冷量供需不匹配所导致的能源浪费,从而达到节能运行的目的。本文以北京市某地铁车站为研究对象,对其空调负荷展开了相关研究。首先,针对地铁空调负荷的主要影响因素进行调研与测试。本文于2019年6-8月空调季进行现场测试,监测并记录了站内外相关的热环境与空气环境的数据,获取了该站客流量数据和空调系统能耗实际数据。分析各参数与地铁站能耗之间的相关性,得到了当前影响地铁空调能耗的主要因素,分析结果表明室外温度、室内CO2浓度和站内客流量与地铁空调能耗相关性较大。其次,针对目前地铁站自然渗透风难以测算的问题,提出了以人为释放源的CO?示踪气体法测渗透风量,并对站内CO2空气分布的状况进行了水平空间和垂直空间的均匀性实验以证实方法的可行性。利用两种差分时间的示踪气体稳态差分法对数据进行了计算,并对计算结果进行了相关性分析,风量计算结果表明,不同差分时间的平均计算渗透风量差别较小,渗透风量也具有日期类型特征,且不同地铁车站的渗透风量;相关性分析表明,站内人数、列车频次为对地铁车站渗透风量较大的两个影响因素。然后,以2020年8月某天为例,耦合室外温度、站内客流量和自然通风渗透风量的实际测试和监控数据,按照上述测试和计算方法进行了地铁动态负荷计算,并进行了分析。分析结果表明,值具有较强得波动性,且最大动态负荷值小于设计负荷值。针对地铁空调动态负荷的特点,在现有空调风系统控制模式的基础上,提出了地铁动态空调负荷的控制逻辑。最后,基于BP神经网络建立了地铁空调动态负荷预测模型,并使用粒子群算法和遗传算法相结合的方法对模型进行了优化。基于GA-PSO-BP优化预测模型,对2020年8月的负荷预测进行了验证,显示该空调预测模型预测速度更快、精度更高。
蔡迪[5]（2021）在《基于室内热舒适度的节能优化控制》文中研究表明建筑行业是国家经济的重要产业,关系着国计民生和国家综合实力。伴随着智能城市加速建设和建筑能耗日益增长,这对建筑节能技术提出了更高的要求。同时,室内为主要生活居住环境,人们对室内环境舒适性要求更加严格,为创造舒适的室内热环境,需要消耗大量热能,建筑暖通空调系统作为维持室内热环境状况,保证人员热舒适的智能建筑主要组成部分,其能耗在建筑总能耗中占比高达30%。事实上,平衡室内热舒适度满意度和空调系统能耗异常困难,成为建筑节能优化控制策略发展的瓶颈。传统的建筑节能优化方法,人员舒适度的个性化要求没有作为主因素被考虑在内,缺少全局观模型作为优化方法,研究理论单一,难以有效解决舒适度与能耗之间的冲突。因此,本文在建筑能耗预测、满足舒适度需求和建筑制冷节能控制策略等方面进行了深入研究,并进行仿真系统实验。本文主要研究内容和贡献如下:（1）基于BP（Back Propagation）神经网络的建筑能耗综合优化预测模型研究。改进了BP神经网络模型,引入遗传算法和粒子群优化算法,对神经网络参数进行优化。提出能耗综合优化算法,寻找多次预测结果中的最佳值。利用莱西市某大厦空调能耗和气象数据,建立了基于BP神经网络的建筑能耗综合优化预测模型,实现了建筑能耗的准确可靠预测。（2）基于室内舒适度的节能优化控制策略研究。研究了国内外舒适度预测模型,依据室内人员人数的不同情况分析,给出了能够满足人员热感觉的方法。针对建筑室内热舒适度与能耗两个指标的平衡问题,提出了节能优化控制策略,能够在满足舒适度的限制条件下,获取空调系统中压缩机转速最佳设定值和室内温度最佳值。（3）建筑节能优化控制系统仿真研究。在实验室搭建建筑空调系统仿真,用提出的优化控制策略确定空调系统运行参数最佳设定值,运行结果表明控制策略具有节能潜力,本研究对公共建筑空调系统制冷节能具有广泛应用价值。
温倩[6]（2021）在《地铁站公共区通风空调系统节能优化研究》文中研究指明随着交通问题的加剧,地铁成为人们出行方式的首选,而地铁站多为地下空间,密封性强且客流量大,因此对通风空调系统的要求日渐上升,随之而来的是能耗的增多,对其进行优化控制可以在满足环境要求的同时节约能源。文章以西安某地铁站为例,通过对地铁站通风空调系统的研究,提出一种基于客流预测的地铁站通风空调系统的新风控制方法。利用深度学习算法预测地铁站短时客流量,根据客流量的变化动态调节新风量的大小,实现新风系统的变风量控制,从而达到节能的目的。文章主要研究内容如下:（1）地铁通风空调系统研究。对地铁通风空调系统展开理论研究,分析其组成与分类,针对屏蔽门系统的负荷组成,分析不同因素对负荷的影响及不同类型负荷对系统的影响能力,以此确定文章的研究对象为客流量与新风系统,以客流量作为输入对新风系统展开节能优化研究,为后续的实验研究奠定坚实的基础。（2）地铁站短时客流量预测。针对长短期记忆（LSTM）模型参数寻优慢的问题,构建一种基于改进蝙蝠算法（IBA）优化LSTM网络的客流量预测模型,引入反向学习、动态自适应惯性权重与拉格朗日插值法提高模型的运行速度与精度,利用IBA对LSTM模型的参数进行优化,实现地铁站客流量的准确预测,为控制系统提供数据输入。（3）通风空调系统控制策略研究。对通风控制策略展开研究,根据新风优化控制方案,提出基于客流预测的地铁公共区新风控制策略,同时利用建筑污染与CO2浓度计算新风量设定值,提升控制策略的有效性。（4）通风空调系统的建模与仿真。设计模糊PID控制器,利用Simulink建模仿真验证预测模型和控制策略的新风动态控制和节能效果,结果表明文章所构建的模型可以根据客流量的变化动态地调节新风量输入,并将文章方法与传统控制方法一天的负荷进行对比,结果验证了文章方法能够有效降低系统能耗。
胡尧[7]（2021）在《以室外气象参数分析为基础的建筑能耗预测研究》文中研究指明室外气象参数主要影响着建筑采暖、制冷能耗,不同地域的气候特征对暖通空调系统影响程度不一,通过准确的基础室外气象参数相关研究有助于评价、优化建筑节能设计方案,实现建筑节能和减少CO2的排放量。随着数据时代的发展,我国也在不断完善对室外气象数据的观测与统计,但也存在着太阳辐射数据记录不全的问题,导致许多地区挑选典型气象年（Typical Meteorological Year,TMY）和进行建筑能耗模拟分析缺乏相对应的太阳辐射数据。以室外气象参数分析为基础的建筑能耗预测研究有助于分析建筑能耗的变化情况,并为此制定合理的解决方案也是本研究亟需解决问题。因此,本研究主要包括以下几部分内容:（1）在建筑节能分析领域中,太阳辐射数据尤为重要,然而由于辐射数据的记录对设备仪器精度要求较高,检查维修复杂等原因,在我国太阳辐射站的数量不能匹配一般地面气象要素观测站。基于我国实际太阳辐射气象数据记录状况下,分别对不同记录精度太阳辐射数据（日值、月值和无辐射）的地区进行TMY挑选,并针对不同地区的适用性做了相关分析。对于逐时太阳辐射数据生成的研究主要采用统计模型法,在此基础上采用BP神经网络和遗传优化BP神经网络的算法对太阳辐射数据进行预测研究,针对不同地域的适用性也做了相关分析。（2）参照了我国现行公共建筑节能设计标准,以办公建筑为典型建筑,将各方法生成的TMY和逐时太阳辐射数据进行建筑能耗模拟,验证了太阳辐射缺失时本研究提出的TMY挑选方法和各类逐时太阳辐射数据预测模型的准确性,并为后续基于室外气象参数对建筑能耗预测分析做数据实验准备。（3）为探讨室外气象参数对建筑采暖、制冷能耗的影响,选取南北地区北京和广州典型城市TMY和30年气象数据进行能耗模拟。以常见的风机盘管暖通空调系统为例,对制冷机COP、锅炉BE和新风量采用敏感性分析的方法进行探讨,确定了系统不同设计参数的影响因子。采用相关性分析法对各类建筑采暖、制冷能耗影响气象因素进行分析,通过强相关性确定了室外气象参数预测建筑能耗的输入量。通过温度与能耗的对比确定了典型城市采暖、制冷平衡温度,并结合月最高和最低温度计算得到新的“度月温度”指标,为建筑能耗预测分析提供输入量,以提高预测精度。（4）通过主要建筑能耗室外气象参数影响因素的分析,选用机器学习中的BP、RBF和支持向量机等智能算法进行建筑能耗预测,并通过对智能算法的对比以及新参数指标的确定提高预测精度,提出一条较为完整的,适用于室外气象参数预测建筑能耗的预测方案。
武璐璐[8]（2021）在《基于动态温度调控的空调能耗建模与预测算法研究》文中提出舒适的室内热环境是人们身心健康和高效工作的前提,传统稳态热环境营造模式背后隐藏的健康与高能耗问题备受相关领域研究者的关注。目前,动态热环境控制为室内热环境动态优化提供了有利途径,可有效利用热环境的小幅规律性波动,在满足热环境动态控制的同时实现舒适和健康的统一。然而,营造舒适的室内热环境是以一定的系统能耗为代价的。若能对其进行准确、及时的预测,将对空调系统的节能与优化控制具有重要意义。本文基于动态温度调控的空调能耗模型,提出一种基于改进PSO-BP神经网络的能耗预测方法。首先,应用Energy Plus仿真软件建立办公建筑变风量空调能耗仿真模型,设计满足|PMV|≤0.5条件的室内热环境动态温度调控策略,并通过能耗模拟获得夏季工况空调系统的逐时能耗数据集。仿真结果表明,基于该策略的空调系统既能营造动态热环境满足人体热舒适要求又可有效降低系统能耗。其次,针对能耗预测模型输入变量的确定问题,设计集成方法分析能耗的关键影响因素。该方法集成聚类、分类和关联度分析法等三种方法,挖掘空调系统的四种能耗模式并确定预测模型的8项有效输入变量。预测结果表明,在采用集成方法分析能耗的基础上建立的BP神经网络模型比传统单一BP神经网络模型的能耗预测精度提高了2.11%。最后,针对BP神经网络存在的收敛速度慢和局部极小等问题,提出非线性调整策略优化PSO算法的惯性权重和加速度因子,从而建立改进PSO-BP神经网络能耗预测模型。结果表明,在采用集成方法分析能耗的基础上,改进PSO-BP神经网络模型比PSO-BP神经网络模型的预测精度提高了0.72%,比传统单一BP神经网络模型的预测精度提高了3.4%。
王宁[9]（2021）在《建筑多区域变风量空调系统温湿度的预测控制研究》文中进行了进一步梳理随着我国大型公共建筑数量的迅速增加,建筑能耗也在持续增加,据统计建筑能耗占据总能耗的39%,这对我国的可持续发展战略产生许多不利的影响。其中建筑能耗主要是暖通空调系统消耗的能源,因此亟需建立准确的建筑房间数学模型,并优化暖通空调系统的控制系统,实现减少暖通空调系统的能源消耗。变风量空调系统凭借其显着的节能以及令环境舒适的优势已用于各个大型公共建筑。但大型公共建筑的多区域变风量空调系统是一个多变量、强耦合的复杂系统,亟需精准的建筑房间数学模型和先进的控制方法对多区域建筑房间室内温度进行控制。本文首先基于热容热阻的方法,根据能量平衡理论建立单房间温湿度耦合数学模型。该模型建立在复杂的建筑围护结构上,通过数学方法解除室内温湿度的耦合关系,将湿度作为一个单独的变量,并给出单房间温湿度耦合模型的精确解。通过MATLAB仿真软件,在给定建筑围护结构各参数和室内外环境参数的情况下,模拟墙体各节点以及室内温度的动态变化。然后将单房间温湿度耦合数学模型扩展到多区域建筑中,建立多区域房间温湿度耦合数学模型,通过数学方法求出多区域各房间的室内温度值,进而得到每个区域房间的室内温度动态变化。本文其次应用图论理论以及流体输配管网理论,通过对变风量空调系统进行抽象简化,对变风量空调系统主要部件的阻力特性进行建模,采用基本回路分析法（MKP）对变风量空调系统管网数学模型进行求解,从而求得到流经每个房间的空气流量。然后利用深度置信神经网络建立变风量空调系统的逐时送风量预测模型,并在相同的数据影响参数和训练数据情况下,将该计算结果与BP、Elman和模糊等传统神经网络预测变风量空调系统的逐时送风量进行比较。结果表明,深度置信神经网络的预测精度最高,平均绝对相对误差、均方根相对误差和决定系数分别为1.555%、0.789%和0.9975,由此说明本文建立的模型能够精确有效地预测变风量空调的送风量。最后,本文将模糊聚类算法与模型预测控制相结合,提出基于模糊聚类算法的多区域变风量空调系统的室内温度预测控制模型,在多区域VAV空调实验台上验证该模型的控制效果和多区域建筑模型在风量变化较大时的准确性。
任效效[10]（2021）在《考虑需求响应的蓄能空调系统负荷预测与控制策略研究》文中认为随着绿色可持续发展政策持续推进,太阳能、风能等可再生能源发电受到极大重视。可再生能源发电并网增加了电力不稳定性,而夏季高温引起的空调峰时负荷进一步使峰谷用电差加大。空调负荷作为柔性温控负荷,是一种潜力较大的需求响应资源,其参与需求响应可以改善电力系统的不稳定性,并减少峰值负荷,改变电网的供需现状。空调系统参与需求响应的最有效、最直接的方式是从空调系统的控制出发,改变空调系统需求响应时段的用能状态,而空调需求响应负荷预测是制定系统高效运行策略的前提。对比白箱和灰箱建模方法需要的参数多、工作量大、建模复杂的特性,机器学习是一种数据驱动建模方法。因此,采用机器学习算法预测空调负荷,并根据负荷制定对应的需求响应策略。以长安大学全尺寸蓄能空调实验平台为对象,建立其TRNSYS动态仿真模型,获取仿真数据进行负荷预测,通过算法对比确定负荷预测最优模型;研究室外温湿度预测方法,在此基础上运行物理实验平台获取预测相关数据,利用确定的最优模型进行负荷预测。同时,采用Elman神经网络对储能罐的储释能时长进行预测。最后,依据负荷预测与储释能时长预测结果制定主动储能和全局温度调节相结合的需求响应策略。结果表明,蓄能空调系统的负荷预测最优模型为改进的粒子群优化Elman神经网络模型。采用Elman神经网络预测的室外温湿度满足负荷预测要求,采用该方法进行储能罐的储能和释能时长预测误差较小。提出的基于负荷预测的主动储能和全局温度调节联合需求响应策略,与其他四种策略（常规运行策略、主动储能、全局温度调节策略、主动储能+全局温度调节策略）相比,满足舒适度前提下需求响应时段内的耗电量最少,且全天运行费用最低。该策略的提出和实施对降低电网峰值负荷、节省用户运行费用具有重要实用价值和指导意义。
二、基于BP改进模型的空调系统负荷预测（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于BP改进模型的空调系统负荷预测（论文提纲范文）
（1）基于粒子群优化的高效制冷机房负荷预测及控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 研究综述 |
| 1.2.1 既有公共建筑制冷机房能效现状 |
| 1.2.2 高效制冷机房节能技术及控制策略研究现状 |
| 1.2.3 高效制冷机房负荷预测研究现状 |
| 1.3 研究内容及研究技术路线 |
| 第2章 中央空调高效制冷机房系统构建 |
| 2.1 高效制冷机房节能技术 |
| 2.1.1 高效机房定义 |
| 2.1.2 高效设备及节能技术应用 |
| 2.2 项目实例 |
| 2.2.1 建筑概况 |
| 2.2.2 空调系统概况 |
| 2.2.3 项目运行数据采集及分析 |
| 2.3 建筑动态负荷模拟 |
| 2.4 高效设备选型及管路系统优化 |
| 2.4.1 高效制冷主机应用 |
| 2.4.2 变频水泵选型 |
| 2.4.3 冷却水塔设计 |
| 2.4.4 管路系统优化 |
| 2.5 传统运行策略下制冷机房运行能耗模拟 |
| 2.5.1 模块建立及选用 |
| 2.5.2 模拟平台建立 |
| 2.5.3 模拟结果分析 |
| 2.6 本章小结 |
| 第3章 既有公共建筑冷负荷预测 |
| 3.1 空调系统负荷预测方法选择 |
| 3.2 BP神经网络负荷预测模型 |
| 3.2.1 空调系统冷负荷影响因素 |
| 3.2.2 神经网络模型各层神经元参数的确定 |
| 3.2.3 神经网络各层数据归一化处理 |
| 3.2.4 负荷预测结果与分析 |
| 3.3 本章小结 |
| 第4章 基于粒子群算法的制冷机房运行参数寻优 |
| 4.1 粒子群寻优算法 |
| 4.2 基于TRNOPT的粒子群寻优 |
| 4.2.1 自变量的定义和约束条件 |
| 4.2.2 目标函数 |
| 4.3 制冷机房设备运行参数寻优结果 |
| 4.4 本章小结 |
| 第5章 基于粒子群优化的节能预测控制策略评价及控制系统设计 |
| 5.1 TRNSYS与 MATLAB联合仿真 |
| 5.2 节能预测控制策略评价 |
| 5.3 三层控制系统运行设计 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间论文发表及科研情况 |
| 致谢 |
（2）地铁站动态空调负荷预测及节能调控分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地铁站空调冷负荷研究现状 |
| 1.2.2 地铁站人流量预测研究现状 |
| 1.2.3 地铁站节能调控研究现状 |
| 1.3 研究主要内容 |
| 1.4 本章小结 |
| 第二章 地铁站围护结构传热 |
| 2.1 地铁站围护结构模型的建立 |
| 2.1.1 传热原理分析 |
| 2.1.2 初始条件及边界条件 |
| 2.2 节点离散方程组的建立 |
| 2.2.1 传热问题计算方法 |
| 2.2.2 模型离散化及节点离散方程组的建立 |
| 2.3 围护结构传热模拟结果 |
| 2.3.1 传热模型及计算程序的建立 |
| 2.3.2 模拟计算结果 |
| 2.4 本章小结 |
| 第三章 地铁站人流量预测 |
| 3.1 地铁站人流量预测模型探究 |
| 3.2 BP神经网络预测算法 |
| 3.2.1 BP神经网络的结构 |
| 3.2.2 BP神经网络算法特点 |
| 3.2.3 BP神经网络的算法 |
| 3.3 遗传算法优化BP神经网络 |
| 3.3.1 遗传算法的原理 |
| 3.3.2 遗传算法的适应度函数及基本操作 |
| 3.4 地铁站人流量预测结果 |
| 3.4.1 人流量预测模型及程序设计 |
| 3.4.2 人流量预测结果 |
| 3.5 本章小结 |
| 第四章 室内热源冷负荷及新风负荷 |
| 4.1 人员冷负荷计算模型 |
| 4.1.1 人体表面受迫对流换热 |
| 4.1.2 人体呼吸散热 |
| 4.1.3 人体皮肤表面蒸发潜热换热 |
| 4.2 渗透风及设备冷负荷计算模型 |
| 4.2.1 渗透风冷负荷计算模型 |
| 4.2.2 设备冷负荷计算模型 |
| 4.3 新风负荷计算模型 |
| 4.3.1 动态新风量 |
| 4.3.2 动态新风负荷 |
| 4.4 室内热源冷负荷及新风负荷结果 |
| 4.4.1 人员冷负荷 |
| 4.4.2 渗透风冷负荷 |
| 4.4.3 设备冷负荷 |
| 4.4.4 新风负荷 |
| 4.5 本章小结 |
| 第五章 地铁站节能调控措施 |
| 5.1 地铁站空调系统运行模式分析 |
| 5.1.1 地铁站空调风系统和水系统换热过程 |
| 5.1.2 定风量运行模式控制分析 |
| 5.1.3 变风量运行模式控制分析 |
| 5.2 空调系统耗功率计算模型 |
| 5.2.1 制冷机组耗功率数学模型 |
| 5.2.2 冷冻水循环泵耗功率数学模型 |
| 5.2.3 冷却水循环泵耗功率数学模型 |
| 5.2.4 空调机组耗功率数学模型 |
| 5.2.5 冷却塔耗功率数学模型 |
| 5.3 节能调控结果分析 |
| 5.3.1 地铁站动态冷负荷分析 |
| 5.3.2 定风量运行模式能耗分析 |
| 5.3.3 变风量运行模式能耗分析 |
| 5.3.4 节能调控措施及能耗分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（3）中央空调冷站系统多模型融合优化节能控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 冷站系统建模方法的研究现状 |
| 1.2.2 冷站系统的最优化方法研究现状 |
| 1.2.3 冷站系统控制方法的研究现状 |
| 1.3 主要研究内容及创新点 |
| 1.3.1 研究思路及方法 |
| 1.3.2 主要创新点 |
| 第2章 中央空调系统运行特性研究 |
| 2.1 中央空调系统的组成 |
| 2.1.1 中央空调冷站系统 |
| 2.1.2 样本数据预处理 |
| 2.2 制冷机组运行性能研究 |
| 2.2.1 制冷机组运行特性分析 |
| 2.2.2 制冷机组能耗模型的建立 |
| 2.2.2.1 制冷机组全局模型建立 |
| 2.2.2.2 制冷机组多模型融合建模 |
| 2.2.2.3 模型准确度对比 |
| 2.3 水泵运行性能研究 |
| 2.3.1 水泵运行特性分析 |
| 2.3.2 水泵能耗模型建立 |
| 2.4 冷却塔运行性能研究 |
| 2.4.1 冷却塔运行特性分析 |
| 2.4.2 冷却塔能耗模型建立 |
| 2.5 本章小结 |
| 第3章 中央空调系统负荷预测 |
| 3.1 负荷预测样本数据的确定 |
| 3.1.1 影响负荷的主要因素 |
| 3.1.2 预测精度评价指标 |
| 3.2 中央空调冷负荷预测 |
| 3.2.1 典型的空调负荷预测方法 |
| 3.2.2 BP神经网络负荷预测 |
| 3.3 本章小结 |
| 第4章 基于粒子群算法的最佳工作点寻找 |
| 4.1 优化节能目标函数及约束条件的建立 |
| 4.1.1 优化节能目标函数的建立 |
| 4.1.2 优化节能约束条件的建立 |
| 4.1.3 最佳工作点求解思路 |
| 4.2 中央空调冷站系统最佳工作点寻找 |
| 4.3 本章小结 |
| 第5章 中央空调冷站系统的优化节能控制 |
| 5.1 自抗扰控制的工作原理 |
| 5.2 优化节能控制仿真与分析 |
| 5.2.1 系统辨识与参数估计 |
| 5.2.2 冷站系统优化节能控制仿真 |
| 5.2.2.1 冷冻水泵优化节能控制 |
| 5.2.2.2 冷却水泵优化节能控制 |
| 5.2.2.3 冷却塔优化节能控制 |
| 5.3 仿真结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 研究生期间发表论文 |
（4）基于实测数据的地铁空调负荷预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景与意义 |
| 1.2 地铁站空调负荷的研究现状 |
| 1.3 地铁站客流量的研究现状 |
| 1.4 地铁站自然渗透风的研究现状 |
| 1.5 本文研究内容 |
| 第二章 地铁站实际空调能耗的影响因素分析 |
| 2.1 环境参数的测试方法 |
| 2.1.1 测试参数的确定 |
| 2.1.2 测试仪器 |
| 2.1.3 测点布置 |
| 2.2 环境参数的测试结果分析 |
| 2.2.1 温湿度 |
| 2.2.2 CO_2浓度 |
| 2.3 客流量动态变化数据分析 |
| 2.3.1 日期类型特征性分析 |
| 2.3.2 时间特征性分析 |
| 2.3.3 客流量稳定性分析 |
| 2.4 空调系统能耗数据分析 |
| 2.5 空调能耗影响因素相关性分析 |
| 2.6 本章小结 |
| 第三章 基于示踪气体法预测地铁站的自然渗透风量 |
| 3.1 地铁站示踪气体法应用 |
| 3.1.1 基本理论 |
| 3.1.2 均匀性实验 |
| 3.2 计算方法 |
| 3.2.1 质量平衡基本方程 |
| 3.2.2 差分法解方程 |
| 3.3 参数的确定 |
| 3.3.1 站内人数n的确定 |
| 3.3.2 人体CO_2释放率FR的确定 |
| 3.3.3 站内CO_2浓度值C_t的测定 |
| 3.4 自然渗透风量的计算结果分析 |
| 3.4.1 不同差分时间对比 |
| 3.4.2 工作日和休息日对比 |
| 3.4.3 不同地铁站对比 |
| 3.4.4 自然渗透风量与换气量 |
| 3.5 相关性分析 |
| 3.6 本章小结 |
| 第四章 基于地铁站实际数据的动态空调负荷计算与调控 |
| 4.1 地铁站动态空调负荷的计算 |
| 4.1.1 室内外空调温湿度值 |
| 4.1.2 动态空调负荷的计算方法 |
| 4.2 地铁站动态空调负荷的分析 |
| 4.2.1 人员动态负荷 |
| 4.2.2 新风动态负荷 |
| 4.2.3 总动态空调冷负荷 |
| 4.3 地铁站现有环控系统调控模式 |
| 4.4 地铁站动态监测调控策略 |
| 4.5 本章小结 |
| 第五章 GA-PSO算法优化BP模型的地铁站空调负荷预测分析 |
| 5.1 模型的建立 |
| 5.1.1 输入参数的确定 |
| 5.1.2 数据预处理 |
| 5.1.3 BP模型的建立 |
| 5.2 BP神经网络预测模型的优化 |
| 5.2.1 粒子群算法 |
| 5.2.2 遗传算法改进的粒子群混合算法 |
| 5.2.3 GA-PSO算法优化BP模型 |
| 5.3 预测模型模拟结果 |
| 5.3.1 模拟硬件与参数设置 |
| 5.3.2 模拟结果分析 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（5）基于室内热舒适度的节能优化控制（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 建筑能耗预测模型 |
| 1.2.2 舒适度预测模型 |
| 1.2.3 建筑节能优化控制 |
| 1.3 论文研究内容及组织 |
| 1.3.1 研究内容及创新点 |
| 1.3.2 本文的组织结构 |
| 第二章 基础理论 |
| 2.1 BP神经网络基础理论 |
| 2.2 优化算法基础理论 |
| 2.2.1 遗传算法 |
| 2.2.2 粒子群算法 |
| 2.3 热舒适度理论与模型 |
| 2.3.1 室内环境舒适度评价指标指标 |
| 2.3.2 舒适度预测模型 |
| 2.4 本章小结 |
| 第三章 建筑能耗综合优化预测模型 |
| 3.1 建筑能耗综合优化预测模型框架 |
| 3.2 建筑能耗综合优化预测模型 |
| 3.3 建筑能耗综合优化模型实验验证与分析 |
| 3.3.1 实验环境、框架及流程 |
| 3.3.2 实验数据 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于室内热舒适度的节能优化策略 |
| 4.1 建筑制冷节能优化控制策略 |
| 4.2 满足人在室内热舒适度需求的方法 |
| 4.3 建筑室内环境模型 |
| 4.4 空调系统参数寻优方法 |
| 4.5 本章小结 |
| 第五章 建筑节能优化控制系统仿真研究 |
| 5.1 建筑暖通空调仿真系统 |
| 5.2 仿真研究流程 |
| 5.3 测评标准 |
| 5.4 仿真实验验证与分析 |
| 5.4.1 数据集 |
| 5.4.2 室内热舒适度 |
| 5.4.3 能耗预测建模 |
| 5.4.4 系统参数寻优 |
| 5.4.5 节能优化控制 |
| 5.4.6 仿真实验结果分析 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 Ⅰ:论文实验数据 |
| 附录 Ⅱ:攻读硕士期间取得的研究成果 |
| 致谢 |
（6）地铁站公共区通风空调系统节能优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 通风空调系统优化控制国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容与目标 |
| 1.4 论文主要章节与安排 |
| 2 地铁通风空调系统 |
| 2.1 地铁通风空调系统概述 |
| 2.1.1 地铁通风空调系统 |
| 2.1.2 地铁通风空调系统组成 |
| 2.1.3 地铁通风空调系统分类 |
| 2.2 通风空调系统负荷组成 |
| 2.2.1 围护结构负荷 |
| 2.2.2 出入口空气渗透负荷 |
| 2.2.3 屏蔽门传热负荷 |
| 2.2.4 照明与设备负荷 |
| 2.2.5 人员负荷 |
| 2.2.6 新风负荷 |
| 2.3 本章小结 |
| 3 地铁站客流量预测模型 |
| 3.1 客流量概述 |
| 3.2 客流量预测方法 |
| 3.2.1 数理统计模型 |
| 3.2.2 非线性预测 |
| 3.2.3 动态分配 |
| 3.2.4 神经网络 |
| 3.3 深度学习理论基础 |
| 3.3.1 RNN理论基础 |
| 3.3.2 LSTM理论基础 |
| 3.4 LSTM预测模型 |
| 3.4.1 模型结构 |
| 3.4.2 数据采集 |
| 3.4.3 数据分析 |
| 3.4.4 数据预处理 |
| 3.4.5 预测结果 |
| 3.5 元启发式算法概述 |
| 3.6 标准蝙蝠算法 |
| 3.7 改进蝙蝠算法 |
| 3.7.1 反向学习 |
| 3.7.2 动态自适应惯性权重 |
| 3.7.3 拉格朗日插值法 |
| 3.8 基于IBA-LSTM的地铁站客流量预测 |
| 3.8.1 模型结构 |
| 3.8.2 预测结果 |
| 3.8.3 评价指标 |
| 3.9 本章小结 |
| 4 地铁站公共区通风空调系统控制策略 |
| 4.1 通风空调系统控制方案现状 |
| 4.1.1 恒速电机风阀控制 |
| 4.1.2 变速电机风阀控制 |
| 4.1.3 变频调速控制 |
| 4.2 新风量分析 |
| 4.2.1 新风量标准 |
| 4.2.2 新风量计算 |
| 4.2.3 新风优化控制方案 |
| 4.3 地铁站通风系统控制策略 |
| 4.5 本章小结 |
| 5 地铁站公共区通风空调系统控制建模与仿真 |
| 5.1 模型建立 |
| 5.2 模糊PID控制器的设计 |
| 5.2.1 模糊控制原理 |
| 5.2.2 模糊控制器的设计 |
| 5.2.3 模糊PID控制器设计 |
| 5.3 模糊PID控制器仿真结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者在读期间研究成果 |
| 致谢 |
（7）以室外气象参数分析为基础的建筑能耗预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 典型气象年挑选研究 |
| 1.2.2 逐时太阳辐射估算研究 |
| 1.2.3 建筑能耗预测研究 |
| 1.3 研究目的及意义 |
| 1.4 研究内容 |
| 2 辐射缺失基础数据的补全研究 |
| 2.1 研究数据来源 |
| 2.2 典型年挑选方法 |
| 2.2.1 Sandia方法 |
| 2.2.2 日照时数替代法 |
| 2.2.3 主成分分析法 |
| 2.2.4 挑选结果分析 |
| 2.3 逐时辐射生成 |
| 2.3.1 C-P&R模型 |
| 2.3.2 瞬时模型 |
| 2.3.3 神经网络模型 |
| 2.3.4 逐时辐射结果分析 |
| 2.4 本章小结 |
| 3 建筑能耗模拟及验证分析 |
| 3.1 能耗模拟软件简介与选择 |
| 3.1.1 能耗模拟软件简介 |
| 3.1.2 软件对比及选择 |
| 3.3 建筑模型的建立 |
| 3.3.1 软件准备 |
| 3.3.2 建筑模型设计 |
| 3.3.3 围护结构设置 |
| 3.3.4 内扰与设备运行设置 |
| 3.3.5 空调系统参数设置 |
| 3.4 能耗模拟验证分析 |
| 3.4.1 建筑模型验证 |
| 3.4.2 TMY挑选验证 |
| 3.4.3 逐时太阳辐射验证 |
| 3.5 本章小结 |
| 4 建筑能耗影响因素分析 |
| 4.1 办公建筑能耗特征分析 |
| 4.2 相关性分析 |
| 4.2.1 皮尔逊相关分析法 |
| 4.2.2 办公建筑相关性结果 |
| 4.3 敏感性分析 |
| 4.3.1 敏感性分析方法 |
| 4.3.2 敏感性分析结果 |
| 4.4 “度月温度”值的确定 |
| 4.5 本章小结 |
| 5 建筑能耗预测分析 |
| 5.1 建筑能耗预测模型 |
| 5.1.1 BP神经网络 |
| 5.1.2 RBF神经网络 |
| 5.1.3 支持向量机 |
| 5.2 预测结果分析 |
| 5.2.1 北京地区预测结果分析 |
| 5.2.2 广州地区预测结果分析 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 研究总结 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录一 硕士研究生学习阶段成果 |
（8）基于动态温度调控的空调能耗建模与预测算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 室内动态热环境控制研究 |
| 1.2.2 能耗分析方法研究 |
| 1.2.3 能耗预测算法研究 |
| 1.3 主要研究内容 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 2 办公建筑VAV空调系统能耗仿真模型的搭建 |
| 2.1 VAV系统简介 |
| 2.1.1 VAV系统的组成 |
| 2.1.2 VAV系统的工作原理 |
| 2.2 Energy Plus软件介绍 |
| 2.2.1 Energy Plus简介 |
| 2.2.2 Energy Plus主要特点 |
| 2.2.3 Energy Plus能耗计算原理 |
| 2.3 能耗仿真模型的搭建 |
| 2.3.1 建筑几何模型的构建 |
| 2.3.2 空调能耗模型的构建 |
| 2.4 小结 |
| 3 基于动态温度调控的空调系统能耗建模 |
| 3.1 动态温度调控策略 |
| 3.1.1 热环境与热舒适 |
| 3.1.2 传统稳态温度控制的原理 |
| 3.1.3 动态温度调控策略的设计 |
| 3.2 动态温度调控的空调能耗模拟与热舒适度计算 |
| 3.2.1 空调系统能耗的模拟 |
| 3.2.2 热舒适度的计算 |
| 3.3 小结 |
| 4 能耗分析的集成方法设计与验证 |
| 4.1 能耗分析的集成方法设计 |
| 4.1.1 基于K-means算法的能耗模式划分 |
| 4.1.2 基于CART算法的能耗模式判别决策树构建 |
| 4.1.3 基于灰色关联度分析的能耗影响因素确定 |
| 4.2 基于集成方法分析能耗的实验验证 |
| 4.2.1 数据预处理 |
| 4.2.2 BPNN简介 |
| 4.2.3 BPNN预测模型的构建 |
| 4.2.3.1 网络结构的确定 |
| 4.2.3.2 函数和网络参数的选取 |
| 4.2.4 性能评价指标 |
| 4.2.5 结果对比分析 |
| 4.3 小结 |
| 5 基于IPSO-BPNN模型的空调系统能耗预测 |
| 5.1 标准PSO算法 |
| 5.2 IPSO算法的设计 |
| 5.3 IPSO-BPNN预测模型的构建 |
| 5.4 结果对比分析 |
| 5.5 小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 致谢 |
（9）建筑多区域变风量空调系统温湿度的预测控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| §1.1 课题的研究背景与意义 |
| §1.1.1 课题的研究背景 |
| §1.1.2 课题的研究意义 |
| §1.2 国内外研究现状 |
| §1.2.1 变风量空调系统的介绍 |
| §1.2.2 多区域房间数学建模研究现状 |
| §1.2.3 多区域变风量空调系统数学建模研究现状 |
| §1.2.4 变风量空调系统末端控制研究现状 |
| §1.2.5 多区域变风量空调系统温湿度控制研究存在的问题 |
| §1.3 主要研究内容及论文框架 |
| §1.3.1 主要内容 |
| §1.3.2 技术路线 |
| §1.3.3 结构安排 |
| 第二章 单房间温湿度耦合动态模型 |
| §2.1 房间数学建模 |
| §2.1.1 房间模型的假设和简化 |
| §2.1.2 空调房间的数学模型 |
| §2.1.3 建立房间数学模型 |
| §2.2 单房间温湿度仿真模拟 |
| §2.3 本章小结 |
| 第三章 多区域房间温湿度耦合模型的建立 |
| §3.1 大空间的多变风箱的温湿度耦合模型 |
| §3.2 多区域房间空气耦合模型 |
| §3.3 多房间温湿度耦合数学模型 |
| §3.4 多房间温湿度耦合数学模型仿真 |
| §3.4.1 无空调系统运行时模拟实验 |
| §3.4.2 有空调系统运行时模拟实验 |
| §3.5 本章小结 |
| 第四章 多区域变风量空调系统管网模型 |
| §4.1 变风量箱模型 |
| §4.2 送、回风机模型 |
| §4.3 风管模型 |
| §4.3.1 风管的摩擦阻力损失元件数学模型 |
| §4.3.2 风管的局部阻力损失元件数学模型 |
| §4.4 变风量空调风系统的数学模型 |
| §4.4.1 变风量空调风系统的流体输配管网理论 |
| §4.4.2 变风量空调风系统管网模型求解 |
| §4.5 多区域变风量空调房间温湿度耦合模型仿真 |
| §4.6 本章小结 |
| 第五章 基于深度置信神经网络的变风量空调送风量的预测 |
| §5.1 变风量空调送风量的预测模型 |
| §5.1.1 深度置信神经网络模型理论 |
| §5.1.2 预测模型的建立 |
| §5.2 实验验证 |
| §5.3 本章小结 |
| 第六章 基于模糊聚类算法的变风量空调室温预测控制研究 |
| §6.1 广义预测控制算法 |
| §6.1.1 预测模型和参考轨迹 |
| §6.1.2 滚动优化 |
| §6.1.3 在线辨识与反馈校正 |
| §6.2 基于模糊聚类算法的预测控制 |
| §6.2.1 基于聚类算法的模糊控制结构形式 |
| §6.2.2 基于模糊聚类算法的辨识方法 |
| §6.2.3 基于模糊聚类算法的广义预测控制 |
| §6.3 基于模糊聚类算法的多区域变风量空调室温预测仿真研究 |
| §6.3.1 模糊聚类算法的预测控制模型 |
| §6.3.2 变风量空调系统实验台 |
| §6.3.3 变风量空调系统室温响应实验原理 |
| §6.3.4 变风量空调系统室温响应实验结果 |
| §6.3.5 基于模糊聚类算法的多区域VAV空调系统预测控制实验 |
| §6.4 本章小结 |
| 第七章 总结与展望 |
| §7.1 结论 |
| §7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（10）考虑需求响应的蓄能空调系统负荷预测与控制策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 背景及意义 |
| 1.1.1 电网供需现状 |
| 1.1.2 需求响应实施现状 |
| 1.1.3 空调需求响应及意义 |
| 1.2 研究现状 |
| 1.2.1 空调需求响应的负荷预测 |
| 1.2.2 空调系统需求响应控制策略 |
| 1.3 研究内容 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文章节架构 |
| 第二章 蓄能空调需求响应策略及预测方法 |
| 2.1 蓄能空调系统 |
| 2.2 需求响应策略 |
| 2.2.1 主动储能策略 |
| 2.2.2 全局温度调节(GTA)策略 |
| 2.3 需求响应评价指标 |
| 2.3.1 系统运行费用 |
| 2.3.2 房间热舒适度 |
| 2.4 模型介绍及评价指标 |
| 2.4.1 ANN模型 |
| 2.4.2 SVR模型 |
| 2.4.3 模型优化算法 |
| 2.4.4 模型评价指标 |
| 2.5 本章小结 |
| 第三章 室外环境温湿度预测 |
| 3.1 RBF神经网络算法 |
| 3.1.1 模型介绍 |
| 3.1.2 训练模型的建立 |
| 3.1.3 预测方法 |
| 3.2 数据获取与处理 |
| 3.2.1 数据来源 |
| 3.2.2 数据处理 |
| 3.3 模型训练与结果分析 |
| 3.3.1 模型训练 |
| 3.3.2 预测结果 |
| 3.4 本章小结 |
| 第四章 考虑需求响应的空调系统负荷预测 |
| 4.1 实验平台介绍 |
| 4.1.1 空调房间 |
| 4.1.2 空调系统 |
| 4.1.3 实验平台控制界面与数据采集 |
| 4.2 负荷预测 |
| 4.2.1 仿真实验平台负荷预测 |
| 4.2.2 物理实验平台负荷预测 |
| 4.3 实验平台储能和释能时长预测 |
| 4.3.1 储能时长预测 |
| 4.3.2 释能时长预测 |
| 4.4 本章小结 |
| 第五章 蓄能空调系统的需求响应策略 |
| 5.1 实验平台控制系统介绍 |
| 5.1.1 控制系统 |
| 5.1.2 设备控制 |
| 5.2 控制策略的制定和实施 |
| 5.2.1 系统运行策略制定 |
| 5.2.2 系统运行策略实施 |
| 5.3 结果分析 |
| 5.3.1 耗电量分析 |
| 5.3.2 功率分析 |
| 5.3.3 系统运行费用 |
| 5.3.4 室内热舒适度评价 |
| 5.4 本章小结 |
| 结论与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 附录 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
四、基于BP改进模型的空调系统负荷预测（论文参考文献）
- [1]基于粒子群优化的高效制冷机房负荷预测及控制策略研究[D]. 孙锐. 青岛理工大学, 2021(02)
- [2]地铁站动态空调负荷预测及节能调控分析[D]. 杨福. 华东交通大学, 2021(02)
- [3]中央空调冷站系统多模型融合优化节能控制研究[D]. 郭虹. 北京建筑大学, 2021(01)
- [4]基于实测数据的地铁空调负荷预测研究[D]. 吴璇. 北京建筑大学, 2021(01)
- [5]基于室内热舒适度的节能优化控制[D]. 蔡迪. 山东师范大学, 2021(12)
- [6]地铁站公共区通风空调系统节能优化研究[D]. 温倩. 西安建筑科技大学, 2021(01)
- [7]以室外气象参数分析为基础的建筑能耗预测研究[D]. 胡尧. 西安建筑科技大学, 2021(01)
- [8]基于动态温度调控的空调能耗建模与预测算法研究[D]. 武璐璐. 西安建筑科技大学, 2021
- [9]建筑多区域变风量空调系统温湿度的预测控制研究[D]. 王宁. 桂林电子科技大学, 2021(02)
- [10]考虑需求响应的蓄能空调系统负荷预测与控制策略研究[D]. 任效效. 长安大学, 2021