一、多步预测的小波神经网络预报模型（论文文献综述）
姜雯曦[1]（2021）在《基于组合模型的风电功率超短期和短期预测研究》文中研究表明风力发电作为新能源发电技术的一种,具有清洁、低碳、可再生等优点。但由于风电具有随机性大、不可控性强、可调度性弱的特点,当风电并入电网后会降低电网的工作效率,甚至直接影响电网的安全稳定运行。因此,对风电场风电功率进行有效预测是更好的利用风能资源,提高风电并网后的电能质量,增加风电在电力市场的竞争力的重要措施。本文考虑了风电功率的非平稳性,深入分析影响风电功率的因素,并在此基础上基于风电功率自身的时间序列性质和影响因素作用建立风电功率超短期和短期预测模型。主要的研究结果如下:（1）采用时间序列分析和信号分解的方法对建立的三种风电功率超短期预测模型进行研究。研究表明,单一的差分自回归移动平均模型预测效果较差,而加入经验模态分解算法对信号分解处理后,预测精度虽然得到了有效提高,但产生了模态混叠问题。在加入白噪声建立EEMD-ARIMA模型后,有效改善了模态混叠现象,同时进一步提高了预测精度。EEMD-ARIMA模型为本文最推荐的超短期预测模型。（2）通过分析导致风电功率变化的影响因素发现,造成风电功率变化的主要影响因素之一是风速。风速的有效预测对提高风电功率预测精度起到积极作用。同时,为了对比不同预测步数对模型预测精度的影响,进一步提高模型预测效果,增强模型在不同场景和需求下的应用性,基于EEMD-ARIMA模型对风速和风电功率进行短期多步预测和短期单步预测。结果表明,多步预测无法修正数据,所以前十几步预测效果相对较高,但预测结果会随着步数的持续增加逐渐偏离真实值,甚至出现趋势相反的情况,导致最终预测误差偏大;单步预测会不断修正训练期的数据以保证预测点的准确率,所以EEMD-ARIMA模型在短期单步预测中误差很低,更利于实际应用。（3）为了进一步研究风电功率的短期预测,在只依靠序列时间特性进行预测的基础上,采用最小二乘支持向量机方法对其进行预测,并且将风速作为影响因素。同时,为了提升预测效果,采用粒子群算法对模型的正则化参数和核参数进行优化。研究表明经过参数优化的PSO-LSSVM模型预测精度更高,预测效果更好。基于风速短期多步预测（M）和单步预测（S）结果的M-PSO-LSSVM模型和M-LSSVM模型在预测风电功率时会出现较大误差,预测精度低于S-PSO-LSSVM模型和S-LSSVM模型。（4）分析对比EEMD-ARIMA、M-LSSVM、M-PSO-LSSVM、S-LSSVM、S-PSO-LSSVM五种模型风电功率短期预测仿真结果,预测精度随EEMD-ARIMA、M-LSSVM、M-PSO-LSSVM、S-LSSVM、S-PSO-LSSVM模型递增。但M-LSSVM、M-PSO-LSSVM模型预测精度有可能比EEMD-ARIMA模型低,原因在于针对PSO-LSSVM模型和LSSVM模型风速对预测结果的影响作用较大。当对风速预测精度较低时,推荐使用EEMD-ARIMA模型预测短期风电功率;当对风速预测精度较高时,推荐使用PSO-LSSVM模型。
张磊[2]（2021）在《分散式风力发电机组功率预测及基于预测的系统能量调控》文中提出随着风电技术的发展成熟,分散式风力发电应用日益广泛。分散式风力发电具备建设灵活、能源利用率较高等优点,但同时也存在缺少测风塔数据支持和风能预测系统缺失等问题。这些问题结合风资源本身的不确定性加剧了风电供能的不确定性,为电力系统带来隐患。为了改善上述情况,本文就分散式风力发电系统风功率预测技术展开研究,针对分散式风力发电特点,以风速预测算法为核心研究内容,分阶段对数据处理、风速预测算法、预测结果的调度应用和远程监控软件的设计开发进行了相应的研究工作。本文对多步风速预测方法进行了研究改进,结合分散式风力发电的特点和局限性,提出新型多步风速预测方案。在小波分解数据处理的基础上,将包括神经网络、支持向量机在内的多种算法模型进行有效结合,并引入新提出的双时序多步预测策略,设计了点预测方案,通过仿真实验证明该方法有效提高了系统预测精度。之后在点预测的基础上,结合高斯过程回归实现区间预测,进一步提高了预测精度和对现实能源调度的指导意义。在能量调度方面,本文在预测结果的基础上,通过寻优算法制订了多能互补系统能量调度方案。算法以降低系统运行成本为目标,结合粒子群算法的寻优能力,搜索最优系统调度方案。该部分建立多能互补系统数学模型,通过传统调度方案和新调度方案的对比,验证了风速预测对提高系统调度能力具有积极意义。最后通过Python和QT组合使用实现远程监控软件的设计开发。该部分将研究中提出的相关模型算法整合为软件的形式,并对应设计各模块的用户交互界面,实现数据记录读取、风速预测和系统能量调度等相关功能。总体而言,研究提出了新型多步风速预测算法,并对算法在能量调度方面的实际应用展开探索,对分散式风电的发展具有积极意义。
戚晓侠[3]（2020）在《基于深度学习的光伏/风电功率预测研究》文中提出随着光伏/风电在全球电网中的日益普及,进行光伏/风电的功率预测以及提高预测的准确性对于电力系统的规划、管理和运营至关重要。但是,由于光伏/风电的间歇性和不稳定性,这是一项比较困难的任务。到目前为止,研究者已经开发了多种方法来进行光伏/风电功率预测并致力于提高光伏/风电功率预测准确性。深度学习作为一种有前途的人工智能方法,能够发现数据中固有的非线性特征和高级不变结构,这使其在各个领域备受青睐并取得了相应的成果,但是在光伏/风电功率预测领域基于深度学习的预测研究还不够成熟。本文以光、风为对象,以深度神经网络构建光伏/风电功率预测模型,对基于深度学习网络的光伏/风电功率预测问题进行研究,以期实现深度学习在光伏/风电功率预测上的应用和提高预测的准确性。本文的主要工作内容和贡献如下:1.针对已有的光伏功率预测模型存在的鲁棒性差、预测模型复杂以及预测精度低等问题,提出了基于一维卷积神经网络和基于长短期记忆神经网络的两种光伏功率预测模型。相比于二维卷积神经网络,一维卷积神经网络在光伏功率预测问题上不需要数据转换、没有信息损失、计算量少;长短期记忆神经网络可以获得光伏数据的长期依赖特征,提高光伏功率预测的准确性。对于光伏功率预测来说,历史数据长度过短时,不能体现如辐照度、温度、风速等这些影响光伏功率的因素的变化,历史数据长度过长时又会造成数据的冗余现象。因此,研究中探索了历史数据的长短对预测精度的影响并进行了实验验证和分析。通过对所提模型的预测结果的比较和分析,验证了深度神经网络在光伏功率预测上的有效性,并为实际中光伏功率预测模型和历史数据长度的选择提供参考。2.提出了基于卷积和长短期记忆神经网络的混合深度神经网络模型,可以更好的提取光伏数据的时间和空间特征,提高了光伏功率预测的精度。研究中,还从光伏数据的时空特征出发,考虑了混合模型的合理组合顺序对光伏预测精度的影响,提出了两种混合神经网络模型,并对两种混合模型以及单一模型的预测结果进行了对比验证。实验结果表明:“先提取数据的时间特征,后提取数据的空间特征”的混合模型结果优于“先提取数据的空间特征,后提取数据的时间特征”的混合模型。研究中对混合模型各模型的层数的变化也进行了相应的实验,实验结果为混合模型层数的选择提供了参考。3.针对目前风电功率预测方法面对大量数据特征提取不足、预测模型准确性低等问题,提出了基于深度神经网络的风电功率预测模型。由于风电数据本身的季节性和不稳定性,且不同的季节表现出不同的概率分布特征,导致风电功率具有显着的不稳定性。如果不考虑风电数据的这一特点,将会导致风电功率预测模型的不准确。针对这一问题,本文提出了基于聚类算法的风电预测输入数据处理模型,最终实现高精度的风电功率预测。研究中选择了5种主流深度神经网络模型进行风电功率预测并进行了对比分析,同时将预测结果与浅层模型相对比。实验结果表明所提模型相比于浅层模型在所有季节都具有较高的预测精度,且不同的深度神经网络在不同的数据分布特征下表现出不同的预测效果。4.多步预测相比于单步预测,对于确保风电系统的可靠性和可控性更为重要。但目前在风电的多步预测研究上多集中在风速多步预测研究。对于风电场来说,由风速间接获得风电功率的高精度转换规则非常复杂且难以描述,并且随着预测步长的增加,不可避免的会出现误差越来越大。针对这一问题,本文将风电功率单步预测模型扩展为风电功率多步预测模型,提出了用于风电功率多步预测的基于编码-解码器的长短期记忆神经网络模型。通过实验表明:该风电功率多步预测模型提供了比其他的深度预测模型更好的预测精度和更高的鲁棒性。所提模型可以从长期风电历史数据中提取更多信息,从而获得更好的风电功率多步预测结果,且随着预测步长的增加,优势越来越明显,但也需要更高的计算量。
梁肖旭[4]（2020）在《基于深度学习的水文预报方法研究》文中研究说明洪水每年造成巨大危害,准确的预测可以显着减少洪水灾害造成的损失。水文流量元素作为一个时间序列,在形成过程中受到自然因素和人为因素的影响,呈现出非常复杂的确定性与不确定性特征。在进行较长周期流量预测时,采用传统的预测方法在解决像水文流量预测这样的复杂问题时,往往很难作出准确、可靠的预报结果。因此,如何有效的获取水文序列中的有效特征,构造合适的水文流量预测模型,提高中长期水文流量预测的精度是水文领域研究的重点与难点。本文以淮河流域中上游息县站为研究对象,使用息县子流域2011年至2018年的水文历史数据,研究并设计有效的中长期水文流量预测模型。研究重点围绕水文特征提取、传统模型难以模拟水文过程中复杂的物理关系和人工神经网络流量预测模型输入输出独立等问题展开,引入互信息分析特征提取算法、长短期记忆神经网络（LSTM）、门控循环神经网络（GRU）和Attention机制,构建基于互信息的LSTM神经网络循环预测模型和基于Attention机制的Bi GRU神经网络多步预测模型。本文的研究工作取得的主要成果如下:（1）提出了一种基于互信息方法筛选的特征因子作为模型的输入特征提取算法。由于水文流量变化本身是一个时间序列过程,在进行流量预测时,受前期各方面水文要素的影响较大,而互信息能够较好地反应模型输入特征因子与流量之间的复杂关系,本文采用互信息分析算法,动态获取有效地水文输入特征,为后续的建模做了基础的研究。（2）提出了一种基于互信息分析的LSTM神经网络循环预测模型。在互信息分析的基础上,针对传统模型难以有效模拟水文过程中的复杂关系、当前人工神经网络输入输出相互独立和中长期水文流量预测时准确度降低等问题,充分利用LSTM神经网络的时间序列处理能力,构建了一种基于互信息的LSTM神经网络循环预测模型。结果表明,该模型能够自动有效的获取输入序列的有效相关特征,在进行较长时间段的流量预测过程中,也能有较好的预测效果。（3）提出了一种基于Attention机制的Bi GRU神经网络多步预测模型。由于Attention机制能够自动匹配输入序列不同时间步的权重参数,提取与输出更有用的信息,而GRU神经网络相对于LSTM网络结构更加简单,能很大程度上提高训练效率,因此,相对于上一个模型,从另外一个角度出发,构建了一个基于Attention机制的Bi GRU神经网络多步预测模型。该模型在进行多步预测时,不仅具有较高的洪水流量预测精度,而且在训练集和测试集具有更快的预测速度。（4）设计实现了上述两种模型的实验对比分析和相关评估。本文实验均采用Tensorflow和Keras框架,实现了当前比较流行的洪水流量预测模型,并与上述提出的模型进行对比分析,结果表明,本文所提出的模型预测效果均优于其它模型,具有一定的通用性。另外,依据国家标准的水文预报规范要求,所提出的模型在洪峰到达时间误差、洪峰峰值误差、均方根误差的评估中都能取得较好的效果,对防洪减灾具有一定的实际意义。
杨龙城[5]（2020）在《风速组合预测模型及其在高速铁路大风预警系统中的应用》文中认为随着我国高速铁路网络覆盖面积的不断扩张,处在大风地区的高铁里程也越来越长。强劲的横风使得列车表面气压发生变化,造成列车横摆超限,严重影响高速列车的安全运行。由大风引起的列车脱轨、倾覆事故在国内外时有发生。因此,构建完善的高速铁路大风预警系统是保障高速列车安全运营的重要举措。本文以兰新高速铁路沿线风速监测数据为背景,分别建立了小波-时间序列风速预测模型和EEMD-GA-BPNN风速预测模型,并利用各单一预测结果,建立风速组合预测模型。结合大风环境下高速列车运行报警规则,对嵌入风速组合预测模型的高速铁路大风预警系统设计进行研究。本文主要研究内容及结论如下:（1）以兰新高速铁路哈密客运站通信工区的风速监测数据为对象,首先利用db3小波进行3层分解,得到趋势信号和细节信号;其次对各子信号进行平稳性检验,计算并判别各子信号ACF和PACF的拖尾性及截尾性,结合AIC信息准则,确定模型最优阶数;并利用最小二乘估计的方法,计算出模型中未知参数;通过构造统计量QLB,检验模型的适应性,建立适合数据特征的ARIMA模型对各子信号进行预测,最后将各子信号预测值叠加,得到小波-时间序列风速预测结果。为提高风速多步预测精度,提出滚动预测方法,并进行提前三步、五步预测。结果表明:风速一步预测时,整体预测效果较好,风速变化的整体趋势能够较为准确地预测,但在风速变化较快的时间段内预测结果存在较大偏差;风速多步预测时,滚动多步预测结果较直接多步预测结果好,表明提出的滚动预测方法可有效提高风速多步预测精度;随着预测步数的增加,预测误差也越来越大。（2）基于EEMD分解理论,对原始风速数据进行分解,得到若干IMF分量和一个剩余信息,对每个子信息分别建立BPNN预测模型,并利用遗传算法对网络初始权值与阈值进行优化。通过多次试算,确定网络结构及相关参数的取值。基于兰新高速铁路沿线风速监测数据,分别建立BPNN风速预测模型、EEMD-BPNN风速预测模型和EEMD-GA-BPNN风速预测模型,并对风速进行一步、滚动三步、滚动五步预测。结果表明:未经EEMD分解的原始风速数据直接采用BPNN预测时,出现预测延时的现象,而采用EEMD分解处理后,解决了预测延时的问题;利用遗传算法对神经网络进行优化可有效提高了预测精度。（3）基于各单一预测模型结果,以误差平方和最小为目标函数,建立动态变权风速组合预测模型和神经网络风速组合预测模型。推导建立动态变权风速组合预测模型各权重求解过程;确定神经网络风速组合预测模型的输入、输出以及网络结构。利用单一模型预测结果,进行风速组合预测实例分析,结果表明:单一预测模型预测精度不能一直保持在一个稳定的状态,在某些区段内预测误差较大,而组合预测模型误差波动较小;相较于单一预测模型结果,提出的两种组合预测模型都可以有效提高预测精度,其中神经网络风速组合预测模型结果更佳;进行风速提前多步预测时,组合模型仍然体现出较好的预测效果,相比较于提前三步组合预测,提前五步组合预测的优化效果更佳明显。（4）以兰新高速铁路防灾网中布置的风速监测基站为依托,阐述高速铁路沿线风速监测基站空间位置确定方法及数据的采集和传输,建立能够实现数据大量储存以及高效处理的大数据平台。基于风-车-路（桥）耦合空气流动机理,确定不同车型列车运行临界速度与环境风风速关系,并以此为预警系统报警规则。利用建立的风速组合预测模型对沿线风速进行预测,并结合系统报警规则,对嵌入风速组合预测模型的高速铁路大风预警系统设计进行研究。
卢锟鹏[6]（2020）在《基于组合模型的信阳市空气污染浓度预测研究》文中提出近年来,我国空气质量在不断提升,但是由于空气治理过程还要受到“三高”型产业众多、化石能源消费比重较高和城镇化发展等多重现实因素的影响,将会是一个漫长的过程。然而空气污染会给人体健康带来威胁,增加呼吸道系统疾病等的发病率,会阻碍人才输入加速人才流失,引发连锁反应导致巨大的经济损失。通过空气质量预测,预警空气污染物的浓度峰值和发生时间,有助于为政府部门的管理决策提供依据,采取有效措施防止极端空气污染事件的发生,降低空气污染对于生产生活、社会公众的影响。因此构建具有较高精度和较低使用成本的空气污染物逐时浓度预测模型具有重要意义。本文首先对信阳市空气污染物之间的相关性进行了分析,发现PM2.5与SO2、O3两两之间相关性较弱而对人体危害程度更高,因而选定这三者作为研究对象进行预测。然后构建了时间序列与LSTM组合建模,对空气污染物浓度时序数据中蕴含的长期趋势（年度和月度趋势）、中期趋势（日趋势）和短期趋势（逐时趋势）分别展开预测。根据空气污染物与气象因素之间的相关性,构建了LSTM与多元回归组合预测模型,利用具有时间相关数据学习能力、高维数据处理能力和非线性拟合能力的LSTM神经网络进行初步预测,然后使用岭回归利用气象预报数据对预测结果进行优化。以信阳市2017年至2019年逐3小时PM2.5、SO2、O3浓度数据和气象数据为基础进行了实验验证,在多个维度上对比评价了本文提出的2个组合模型的预测性能。时间序列与LSTM组合模型对PM2.5、SO2、O3预测的平均预测精度分别为81.19%、74.33%、73.70%;LSTM与多元回归的组合模型对PM2.5、SO2、O3的平均预测精度分别为72.39%、77.13%、73.97%。本文所构建的2种组合模型相较对比模型,有效的提升了预测的精度,总体上能够较为准确的预测出空气污染物峰值出现时间和相应数值,可以为当地管理部门的管理决策提供更加科学的参考依据,保障生产生活促进经济发展。
袁佩贤[7]（2019）在《变化环境下径流动因分析与VLP预测研究 ——以黄河流域为例》文中认为受气候变化和人类活动影响,黄河流域水文水资源系统动态性加强,如何分析变化环境下径流分布规律及其对变化环境的响应,以及如何提高变化环境下水文预测精度等研究对水资源综合开发利用具有重要意义。本文针对变化环境下流域水文要素物理条件变化引发的变异问题,选择黄河典型水文站头道拐、龙门、三门峡、花园口、高村、利津站及黄河中游典型流域窟野河,开展了变化环境下径流幂律分布、典型流域径流响应模拟以及基于智能算法的水文预报研究。主要研究内容和成果包括:（1）采用M-K和MWP法研究识别头道拐、龙门、三门峡、花园口、高村、利津站的突变点。在此基础上,基于双参数幂律分布方法研究变异前后日径流序列的幂律分布规律。结果表明:头道拐径流突变点为1968、1986,龙门为1968、1985,三门峡、花园口、高村为1985、1994,利津为1968、1985;大型水库运行及大规模水保措施实施是导致径流突变的主要原因。除龙门和三门峡站外,其他测站日径流序列均存在幂律关系,突变前序列的幂律特征与原序列基本一致,突变后序列的幂律特征逐渐消失。（2）为探寻黄河径流显着变化的主要驱动因素,选择黄河中游典型流域窟野河为研究对象,建立SWAT分布式水文模型,分析气候变化和人类活动对径流变化的贡献率并开展流域水土保持治理措施建议研究。结果表明:气候变化和人类活动对径流变化的贡献率分别为32%和68%;水保措施中,退耕还林、退耕还草、梯田5°-15°、梯田15°-25°、淤地坝分别减少1.17%、0.63%、2.93%、0.1%、11.4%的径流量,其中,15°-25°梯田几乎没有削峰减水效益。（3）变异条件下径流序列表现出较强的非线性非平稳特性,为提高变异条件下径流预测精度,本文提出了变分模态分解-长短期记忆网络混合模型VLP（VMD-LSTM-PSO）,对黄河干流日径流序列进行预见期为1-5天的预测,并与LSTM模型、基于互补经验模态分解（CEEMD）和小波分解（WT）的LSTM模型进行对比分析。结果表明:VLP模型具有较高的预测精度,NSE达到0.9～0.99,适应强,稳定性好,具有精确描述水文序列非线性、非平稳性的能力。
刘丁一[8]（2019）在《提高风电功率预测效果的改进多步法和风速出力折算》文中指出智能电网和能源互联网是当前电力系统的主要发展方向。其中可再生能源的优先接入,精确可靠的预测技术,是其核心功能之一。作为一种受到世界范围重视的绿色可再生无碳能源,风能的波动性、间歇性、随机性等妨碍了其作为优质能源的潜力。可靠准确的风电功率预测,是未来电网的主要基础信息之一,还有助于弥补风能目前作为非优质能源的缺点。准确可靠的风预测,从风速到风机出力的准确折算,是提高风电功率预测效果的两类基本任务。对未来风速时间序列预报多步法的两种基本模式是直接式、迭代式。本文通过仿真得出了直接式、迭代式各自更优的条件。依据物理学中的“刚体定轴转动定律”,发现有效风速的平方与水平轴风机出力之间存在近似的一阶低通滤波器关系。本文的研究思路,属于非平稳时间序列预测的“机理+辨识”策略,具体的研究工作为:（1）风速预报多步法中直接式、迭代式预测模式优选。根据我国风速的基本性质,采用人工设定测试信号,以及实际风速进行预测仿真,以对照直接式、迭代式预测模式的优劣。预测模型有最小二乘支持向量回归、广义回归神经网络和随机森林方法等。通过系统的智能预测仿真,得出了风速快速变化时直接式更优;风速变化较慢时迭代式更优的结论。（2）有效风速的平方与出力之间的一阶低通滤波器关系。根据“刚体定轴转动定律”,忽略掉各种次要影响因子,建立了叶片转动的微分方程。当风速变化不大时,该微分方程可以近似简化为一个一阶低通滤波器。采用日本学者的风洞实验数据,以及我国某风场的实际数据,证实了该滤波器具有较高的精度。
李嘉文[9]（2019）在《基于混合优化模型的风电场短期风速预测研究》文中研究指明近年来,由于环境污染和能源消耗的加快,可再生能源受到越来越多的关注,其中,风能作为一种绿色能源,可以替代化石燃料的使用,从而减少温室气体的排放,有效缓解能源危机。由于风速具有很强的随机性,产生的能量极不稳定。因此,准确的风速预报尤其重要。此外,准确预测风速还将有助于降低电力系统运行成本和旋转储备,对于能源交易和电力系统管理具有重要意义。为了提高风速预报的准确性,本文提出一种融合改进的自适应噪声集合经验模态分解（ICEEMDAN）、最优变分模态分解（OVMD）、改进的哈里斯鹰优化算法（IHHO）、相空间重构（PSR）和离群鲁棒极限学习机（ORELM）的混合预测模型。在该模型中,采用复合分解,首先利用ICEEMDAN将初始风速分解为一系列本征模态数。为进一步削弱数据的非平稳性,在VMD的基础上,采用中心频率法和最小残差指数,对上述本征模态中频率最高的子序列实现最优变分模态分解（OVMD）。接着,为增强混合模型的预测能力,利用所提出的一种改进的哈里斯鹰优化算法（IHHO）,对PSR和ORELM中影响预测性能的参数进行优化,采用离散整数编码的IHHO对PSR中的嵌入维度、延迟系数和ORELM中的隐层神经元进行同步寻优,利用实值编码的IHHO优化ORELM中的正则化系数和权值阈值,进一步提升预测精度。最后,将所有子序列的预测结果进行累积,计算出原始风速的最终预测结果。为了评估本文提出的混合模型的预测性能,利用中国华中某地区风电场实际数据对混合模型的可行性和有效性进行了验证,结果表明该模型具有较高的预测精度,能够满足实际需求。
董清利[10]（2019）在《时间序列组合预测模型的建立与应用研究》文中认为随着科学技术的日新月异以及社会经济的快速发展,各行各业的数据和信息呈现爆炸式增长,随之兴起的互联网智能技术标志着大数据时代的来临。如何抓住时代契机,从海量数据中挖掘出有价值的信息,进而实现对未来趋势的精确预测具有重要意义。日常生活中大量的数据和信息是以时间序列形式呈现的,常规的时间序列预测是指在一定统计模型的基础上,依据时间序列的历史值和现在值对事物未来发展趋势做出定量估计。近年来,国内外学者在时间序列预测领域内做出了许多有益的探索和研究。但是,由于时间序列数据的多样性及该类问题的复杂性,截至目前仍无一项研究可以全面应对各种时间序列数据的预测问题。现有时间序列预测模型大致可分为两类,分别是传统单一模型和组合预测模型。针对组合预测模型,按照逻辑属性又可以分为确定性组合预测模型和非确定性组合预测模型。然而,当前对于各类组合预测模型的研究都有其自身的缺陷与不足。具体剖析,尚需进一步研究的问题有:首先是关于确定性组合预测模型,确定性组合预测模型的主要目的是为实际生产生活中的时间序列数据提供有效的确定性预测。鉴于不同领域及行业所产生的数据特征各不相同,对于模型预测效果的要求也各有差异,因此有必要因地制宜地针对不同数据建立不同的预测模型;其次是关于非确定性组合预测模型,目前关于模糊时间序列模型的改进主要集中在模糊化过程、模糊关系矩阵的建立过程和对预测结果进行去模糊化的过程,而涉及到模糊逻辑关系的整体逻辑权重信息的研究较少,但这会对模糊时间序列预测模型的最终效果产生较大影响;再次是关于模型效果合理性检验的研究,针对不同类型的预测模型,线性或非线性、单一或组合、确定性或非确定性预测模型,需要对模型效果的合理性进行研究。研究发现时间序列数据可预测性水平与其多重分形的来源结构有趋势关系,因而基于分形理论,可以从数据的多重分形参数特征推断数据的可预测性水平,进而对预测模型的效果合理性进行检验。针对相关背景下的研究现状及存在的问题,本文进行多重视角下时间序列组合预测模型的建立和应用研究,围绕着组合预测理论,借助于信息融合理论、智能组合方法、模糊时间序列理论和分形理论等工具和方法,针对具有不同特征的数据类型,构建相应的确定性或非确定性组合预测模型,将其成功应用到不同的实际问题背景当中,并通过分形理论从数据的分形参数特征来检验组合预测模型效果的合理性。本文的研究内容分为六部分:第一章介绍本文的研究背景与选题依据、研究内容与意义以及研究的创新与不足之处;第二章是本文对国内外学者所做研究的梳理,通过具体剖析和述评,明确本文选题依据的针对性及合理性;第三章是对基于信息融合的确定性组合预测模型的建立和应用研究,实证过程表明该确定性组合预测模型在空气污染实际问题背景下具有良好且合理的模型效果;针对不考虑外部信息的单一时间序列数据,第四章是对基于智能方法的确定性组合预测模型的建立和应用研究,在风电输出功率预测实际问题背景下进行的实证研究表明,该组合预测模型也具有良好且合理的模型效果;第五章是对基于模糊理论的非确定性组合预测模型的建立和应用研究,该组合模型在模糊数据背景下同样具有良好且合理的模型表现;第六章是对上述研究所做的总结以及对未来研究方向所做的展望。综合本文研究结果得出的观点和结论主要包括以下三个方面:首先,基于信息融合的确定性组合预测模型具有良好且合理的模型效果。该组合预测模型的基本思想是对目标周边的信息做到最大化利用和融合,并通过分级策略对训练集进行瘦身,进而实现组合预测模型的有效训练和预测。该组合预测模型在空气污染问题背景下的实证过程中表现出良好的模型效果,并通过分析污染物数据的分形参数特征检验了所构建的组合预测模型效果的合理性。本研究可以为管理层提供有效的预测预警工具,同时为相关政策决策的实施提供理论参考和数理支持,对于我国空气污染防治工作及对策研究具有较强的意义。其次,针对不考虑外部信息的单一时间序列数据,构建了基于智能方法的确定性组合预测模型,且该组合预测模型具有良好且合理的模型效果。在风电输出功率预测问题背景下的实证过程中,所构建的基于智能方法的确定性组合预测模型表现出良好的模型预测效果,进而利用分形理论分析数据的分形参数特征,并依据本文研究发现的其和可预测性水平的关系,发现实际模型效果与由分形参数推断出的可预测性相匹配,验证了所提出的组合预测模型的预测效果是合理的。本研究不仅有利于电网的有效管理,有助于缓解不断增长的风能领域中的不稳定因素,且可以对电力市场竞价策略进行优化,对于风电行业安全高效发展有一定的现实意义。最后,基于模糊理论的非确定性组合预测模型在模糊数据背景下有良好且合理的模型表现。该组合预测模型有效组合了和声搜索算法、RIM加权方法、有序加权聚合算子并考虑了模糊逻辑关系组中的整体逻辑权重信息。基于具有不同特征的数据所开展的实证分析过程表明,所提出的非确定组合预测模型具有较高的模型稳定性和良好的预测效果。进而利用分形理论分析数据的分形参数特征,依据其和可预测性水平的关系,分析实际模型效果与由分形参数推断出的可预测性的差异,验证了所提出的基于模糊理论的非确定性组合预测模型的预测效果是合理的。基于不同实证过程的模型评估及分析,说明所构建的基于模糊理论的非确定性组合预测模型可以应用在多个领域,不仅可以应用于金融领域数据,也包括工业领域数据。本文的主要创新点有:①基于掌握的中国城市空气污染数据和中国西部风电场输出功率数据,针对不同实际问题背景中数据的特征差异,分别提出并建立一个基于信息融合的确定性组合预测模型和一个基于智能方法的确定性组合预测模型,并通过实际问题背景中的实证分析证明其具有良好的模型表现;②提出并建立一个基于模糊理论的非确定性组合预测模型,通过两个不同实证过程验证组合预测模型的良好效果,并借助分形理论从数据的分形参数特征检验了所构建的非确定性组合预测模型效果的合理性,弥补了现有研究中关于模糊逻辑关系组中的整体逻辑权重信息的空白;③不同于以往直接对实际问题背景开展的模型建立及应用研究,本文在研究时间序列组合预测模型构建及实证过程的同时,还在不同实际问题背景下通过分形理论从数据的分形参数特征来检验模型预测效果的合理性,为现实问题的模型评价和理论研究提供必要的参考依据。本文主要不足之处有:①针对不同数据类型和特征,从多重视角所构建的组合预测模型研究中用到了许多单一方法和辅助工具,实际上可能存在更优的替代方法和工具。但是在篇幅及研究时效性限制下,并未对此进行更深入更细致的研究;②研究和实证中所用到的实证数据均来源于特定的实际问题背景,如果能够在研究中考虑更多其他问题背景中的数据,可能会使得研究过程更加丰富且研究结论更加充分。
二、多步预测的小波神经网络预报模型（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、多步预测的小波神经网络预报模型（论文提纲范文）
（1）基于组合模型的风电功率超短期和短期预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 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 论文的主要工作 |
| 1.3.1 论文的主要研究内容 |
| 1.3.2 论文的组织结构 |
| 1.3.3 技术路线 |
| 2 基于EEMD-ARIMA模型的风电功率超短期预测 |
| 2.1 时间序列分析算法 |
| 2.1.1 时间序列分析方法简介及模型原理 |
| 2.1.2 时间序列ARIMA建模过程 |
| 2.1.3 实例分析 |
| 2.2 基于EMD-ARIMA模型的风电功率预测 |
| 2.2.1 经验模态分解算法原理及过程 |
| 2.2.2 EMD-ARIMA模型建模过程 |
| 2.2.3 实例分析 |
| 2.3 基于EEMD-ARIMA模型的风电功率预测 |
| 2.3.1 集合经验模态分解原理及过程 |
| 2.3.2 EEMD-ARIMA模型 |
| 2.3.3 实例分析 |
| 2.4 超短期风电功率预测结果分析比较 |
| 2.5 本章小结 |
| 3 基于EEMD-ARIMA模型的风速和风电功率短期预测 |
| 3.1 风速和风电功率短期预测原理和模型 |
| 3.1.1 风电功率短期预测主要影响因素分析 |
| 3.1.2 基于EEMD-ARIMA模型的风速和风电功率短期预测 |
| 3.2 基于EEMD-ARIMA模型的风速短期预测实例分析 |
| 3.2.1 风速短期多步预测 |
| 3.2.2 风速短期单步预测 |
| 3.2.3 风速短期预测结果对比分析 |
| 3.3 基于EEMD-ARIMA模型的风电功率短期预测实例分析 |
| 3.3.1 风电功率短期多步预测 |
| 3.3.2 风电功率短期单步预测 |
| 3.3.3 风电功率短期预测结果对比分析 |
| 3.4 本章小结 |
| 4 基于PSO-LSSVM模型的风电功率短期预测 |
| 4.1 最小二乘支持向量机算法 |
| 4.1.1 支持向量机原理 |
| 4.1.2 最小二乘支持向量机原理及模型建立 |
| 4.2 粒子群优化算法 |
| 4.2.1 粒子群优化算法的基本原理 |
| 4.2.2 参数分析和运算流程 |
| 4.3 PSO-LSSVM预测模型的建立 |
| 4.4 基于PSO-LSSVM模型的风电功率短期预测实例分析 |
| 4.4.1 数据样本收集 |
| 4.4.2 PSO-LSSVM模型预测 |
| 4.4.3 不同模型间预测结果分析 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 研究结论 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）分散式风力发电机组功率预测及基于预测的系统能量调控（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的背景和意义 |
| 1.2 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 |
| 1.2.3 预测方法分类概述 |
| 1.2.4 发展趋势 |
| 1.3 课题主要研究内容 |
| 第二章 数据预处理 |
| 2.1 概述 |
| 2.2 等效风速法 |
| 2.3 异常数据处理 |
| 2.4 小波分解 |
| 2.5 数据处理结果 |
| 2.6 本章小结 |
| 第三章 双时序多步风速预测模型 |
| 3.1 概述 |
| 3.2 风速预测模型所需理论的基本原理 |
| 3.2.1 NAR与 NARX神经网络基本原理 |
| 3.2.2 支持向量机基本原理 |
| 3.2.3 多步风速预测策略 |
| 3.3 多步预测模型算法的构建 |
| 3.3.1 双时间序列 |
| 3.3.2 双时序预测系统算法流程 |
| 3.4 预测系统的算例分析 |
| 3.4.1 实验设计 |
| 3.4.2 实验Ⅰ:单一预测起点 |
| 3.4.3 实验Ⅱ:多预测起点 |
| 3.5 区间预测 |
| 3.5.1 高斯过程回归 |
| 3.5.2 区间预测流程 |
| 3.5.3 预测结果 |
| 3.6 本章小结 |
| 第四章 多能互补系统能量调度策略 |
| 4.1 概述 |
| 4.2 构建系统模型 |
| 4.2.1 风电机组的功率模型 |
| 4.2.2 光伏发电系统的功率模型 |
| 4.2.3 储能部分状态方程 |
| 4.3 调度策略及优化算法 |
| 4.3.1 粒子群优化算法 |
| 4.3.2 目标函数的建立 |
| 4.3.3 约束条件 |
| 4.3.4 调度寻优策略 |
| 4.4 算例分析 |
| 4.4.1 仿真实验设计 |
| 4.4.2 原始数据 |
| 4.4.3 调度结果数据分析 |
| 4.5 本章小结 |
| 第五章 兼具预测和调度功能的远程监控软件开发 |
| 5.1 概述 |
| 5.2 软件开发环境及开发工具 |
| 5.3 软件概述 |
| 5.3.1 软件功能 |
| 5.3.2 软件的总体结构 |
| 5.4 软件界面介绍 |
| 5.4.1 用户管理模块 |
| 5.4.2 数据监控模块 |
| 5.4.3 风速预测模块 |
| 5.4.4 系统调度模块 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
（3）基于深度学习的光伏/风电功率预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及其意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光伏功率预测技术现状 |
| 1.2.2 风电功率预测技术现状 |
| 1.2.3 光伏/风电功率预测分类 |
| 1.3 深度学习用于光伏/风电功率预测目前存在的问题 |
| 1.4 本文的主要研究内容和结构安排 |
| 第2章 数据预处理和深度神经网络模型及其评价指标 |
| 2.1 引言 |
| 2.2 数据预处理 |
| 2.2.1 异常数据检测和处理 |
| 2.2.2 缺失数据的填补 |
| 2.2.3 数据归一化 |
| 2.3 系统建模与深度神经网络模型 |
| 2.3.1 系统建模 |
| 2.3.1.1 输入输出模型 |
| 2.3.1.2 状态空间模型 |
| 2.3.2 深度神经网络模型 |
| 2.3.2.1 卷积神经网络 |
| 2.3.2.2 长短期记忆神经网络 |
| 2.3.2.3 深度信念网络 |
| 2.3.2.4 编码-解码网络 |
| 2.4 模型评价指标 |
| 2.5 本章小结 |
| 第3章 基于一维卷积/长短期记忆神经网络的光伏功率预测 |
| 3.1 引言 |
| 3.2 相关研究 |
| 3.3 基于深度神经网络的光伏功率预测模型 |
| 3.3.1 数据来源 |
| 3.3.2 光伏功率影响因素分析 |
| 3.3.2.1 辐照度对光伏功率的影响 |
| 3.3.2.2 温度对光伏功率的影响 |
| 3.3.2.3 风速、风向对光伏功率的影响 |
| 3.3.2.4 湿度对光伏功率的影响 |
| 3.3.2.5 各因素相关性分析 |
| 3.3.3 光伏功率预测模型的设计 |
| 3.3.3.1 基于一维卷积神经网络的光伏功率预测模型 |
| 3.3.3.2 基于长短期记忆神经网络的光伏功率预测模型 |
| 3.4 实验及结果与分析 |
| 3.4.1 数据的预处理及实验设计 |
| 3.4.1.1 数据的预处理 |
| 3.4.1.2 实验设计 |
| 3.4.2 基于一维卷积神经网络的光伏功率预测结果分析 |
| 3.4.2.1 滞后时间步长的选择 |
| 3.4.2.2 历史数据长度的选择 |
| 3.4.3 基于长短期记忆神经网络的光伏功率预测结果分析 |
| 3.4.3.1 滞后时间步长的选择 |
| 3.4.3.2 历史数据长度的选择 |
| 3.4.4 不同预测模型结果比较和分析 |
| 3.5 本章小结 |
| 第4章 基于混合深度神经网络的光伏功率预测 |
| 4.1 引言 |
| 4.2 相关研究 |
| 4.3 基于混合深度神经网络的光伏功率预测模型 |
| 4.3.1 CNN-LSTM模型结构和设计 |
| 4.3.2 LSTM-CNN模型结构和设计 |
| 4.4 实验及结果与分析 |
| 4.4.1 数据的预处理及实验设计 |
| 4.4.1.1 数据的预处理 |
| 4.4.1.2 实验设计 |
| 4.4.2 滞后时间步长的选择 |
| 4.4.3 模型层数的选择 |
| 4.4.4 不同预测模型结果比较和分析 |
| 4.5 本章小结 |
| 第5章 基于k均值聚类和深度神经网络的风电功率预测 |
| 5.1 引言 |
| 5.2 相关研究 |
| 5.3 基于深度神经网络的风电功率预测模型 |
| 5.3.1 数据的来源 |
| 5.3.2 风电功率影响因素分析 |
| 5.3.2.1 风速、风向对风电功率的影响 |
| 5.3.2.2 湿度、温度和气压对风电功率的影响 |
| 5.3.2.3 季节对风电功率的影响 |
| 5.3.2.4 各因素相关性分析 |
| 5.3.3 k-means训练算法 |
| 5.3.4 风电功率预测模型的设计 |
| 5.4 实验及结果与分析 |
| 5.4.1 数据的预处理及实验设计 |
| 5.4.1.1 数据的预处理 |
| 5.4.1.2 实验设计 |
| 5.4.2 聚类类别数k的选择 |
| 5.4.3 训练样本的选择 |
| 5.4.4 滞后时间步长的选择 |
| 5.4.5 不同预测模型结果比较和分析 |
| 5.5 本章小结 |
| 第6章 基于编码-解码的长短期记忆神经网络的风电功率多步预测 |
| 6.1 引言 |
| 6.2 相关研究 |
| 6.3 基于编码-解码的长短期记忆神经网络的风电功率多步预测模型 |
| 6.3.1 风电功率多步预测策略选择 |
| 6.3.1.1 直接策略 |
| 6.3.1.2 递归策略 |
| 6.3.1.3 直接递归策略 |
| 6.3.1.4 多输入多输出策略 |
| 6.3.1.5 直接多输出策略 |
| 6.3.2 基于编码-解码结构的风电功率多步预测模型设计 |
| 6.4 实验及结果与分析 |
| 6.4.1 数据预处理及实验设计 |
| 6.4.1.1 数据的预处理 |
| 6.4.1.2 实验设计 |
| 6.4.2 滞后时间步长的选择 |
| 6.4.3 不同预测模型结果比较和分析 |
| 6.4.3.1 与其他深度神经网络的对比 |
| 6.4.3.2 不同编码结构的深度神经网络的对比 |
| 6.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（4）基于深度学习的水文预报方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 水文要素分析研究 |
| 1.2.2 物理过程模型 |
| 1.2.3 数据驱动模型 |
| 1.3 人工智能模型的可行性分析 |
| 1.4 本文的主要贡献与创新 |
| 1.5 本论文的结构与安排 |
| 第二章 基本理论与方法 |
| 2.1 特征选择过程 |
| 2.2 相关分析方法 |
| 2.2.1 皮尔逊相关系数 |
| 2.2.2 斯皮尔曼相关分析 |
| 2.2.3 熵和互信息 |
| 2.3 数据标准化 |
| 2.4 数据集划分 |
| 2.5 人工神经网络 |
| 2.5.1 BP神经网络 |
| 2.5.2 RNN神经网络 |
| 2.5.3 LSTM神经网络 |
| 2.5.4 GRU神经网络 |
| 2.6 本章小结 |
| 第三章 研究区域概况及分析 |
| 3.1 研究区域概况 |
| 3.2 数据预处理 |
| 3.3 典型算法预测实验 |
| 3.3.1 典型算法 |
| 3.3.2 实验分析 |
| 3.4 本章小结 |
| 第四章 基于互信息的LSTM循环预测模型 |
| 4.1 特征选择 |
| 4.1.1 相关性分析 |
| 4.1.2 数据处理 |
| 4.2 LSTM循环预测模型建立 |
| 4.3 模型验证 |
| 4.3.1 实验环境 |
| 4.3.2 评估标准 |
| 4.3.3 仿真结果分析 |
| 4.3.4 误差分析 |
| 4.4 本章小结 |
| 第五章 基于Attention机制的Bi GRU多步预测模型 |
| 5.1 注意力机制 |
| 5.1.1 编码-解码模型 |
| 5.1.2 Attention模型 |
| 5.2 基于Attention机制的Bi GRU多步预测模型 |
| 5.3 模型实验验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（5）风速组合预测模型及其在高速铁路大风预警系统中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状与存在的问题 |
| 1.2.1 风速预测模型研究现状 |
| 1.2.2 大风预警系统研究现状 |
| 1.2.3 现有研究工作存在的问题 |
| 1.3 本文主要研究内容 |
| 第2章 小波-时间序列法风速预测模型 |
| 2.1 小波分析基本理论 |
| 2.1.1 小波分析简介 |
| 2.1.2 小波分解与重构 |
| 2.2 时间序列法的统计模型 |
| 2.2.1 自回归模型AR(p) |
| 2.2.2 滑动平均模型MA(q) |
| 2.2.3 自回归滑动平均模型ARMA(p,q) |
| 2.2.4 差分自回归滑动平均模型ARIMA(p,d,q) |
| 2.3 时间序列风速预测模型的建立 |
| 2.3.1 数据平稳性检验 |
| 2.3.2 模型定阶 |
| 2.3.3 参数估计 |
| 2.3.4 模型检验 |
| 2.3.5 风速滚动预测 |
| 2.4 实例分析 |
| 2.4.1 兰新高速铁路沿线某监测点风速统计 |
| 2.4.2 预测数据的前处理 |
| 2.4.3 预测模型建立步骤 |
| 2.4.4 建模计算过程 |
| 2.4.5 风速预测结果及误差分析 |
| 2.5 本章小结 |
| 第3章 EEMD-GA-BPNN风速预测模型 |
| 3.1 集成经验模态分解基本理论 |
| 3.1.1 经验模态分解 |
| 3.1.2 集成经验模态分解 |
| 3.2 BP神经网络基本理论 |
| 3.2.1 人工神经元模型 |
| 3.2.2 BP神经网络原理 |
| 3.3 遗传算法基本理论 |
| 3.3.1 染色体编码和种群初始化 |
| 3.3.2 确定适应度函数 |
| 3.3.3 选择运算 |
| 3.3.4 交叉运算 |
| 3.3.5 变异运算 |
| 3.4 实例分析 |
| 3.4.1 EEMD-GA-BPNN风速预测的基本思路 |
| 3.4.2 EEMD-GA-BPNN风速预测模型建立 |
| 3.4.3 预测结果及误差对比分析 |
| 3.5 本章小结 |
| 第4章 基于单一预测结果的风速组合预测模型 |
| 4.1 组合预测模型概述 |
| 4.2 组合预测基本理论 |
| 4.2.1 组合预测数学模型 |
| 4.2.2 组合预测模型的建立 |
| 4.3 风速组合预测结果 |
| 4.3.1 提前一步风速组合预测结果 |
| 4.3.2 提前多步风速组合预测结果 |
| 4.4 本章小结 |
| 第5章 嵌入风速组合预测模型的高速铁路大风预警系统设计 |
| 5.1 高速铁路大风预警系统概述 |
| 5.2 嵌入组合预测模型的高速铁路大风预警系统 |
| 5.2.1 风速数据采集及传输 |
| 5.2.2 风速数据存储及处理的大数据平台 |
| 5.2.3 风速组合预测模型的嵌入 |
| 5.2.4 大风环境下列车运行速度限值的选取及限速区段设置 |
| 5.2.5 大风环境下行车预警及运营调度 |
| 5.3 本章小结 |
| 结论与展望 |
| 一、论文主要成果总结 |
| 二、展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及参与的科研项目 |
| 已发表论文 |
| 申请发明专利 |
| 所参与的科研项目 |
（6）基于组合模型的信阳市空气污染浓度预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 选题背景、目的和意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究目的与意义 |
| 1.2 文献综述 |
| 1.2.1 空气污染物研究现状 |
| 1.2.2 空气污染物浓度预测研究现状 |
| 1.2.3 文献评述 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 技术路线与章节安排 |
| 1.4.1 技术路线 |
| 1.4.2 章节安排 |
| 1.5 研究重点与难点 |
| 2 相关理论与方法 |
| 2.1 时间序列 |
| 2.1.1 平稳时间序列 |
| 2.1.2 ARMA模型 |
| 2.2 LSTM(长短期记忆网络)模型 |
| 2.2.1 LSTM神经网络基本结构 |
| 2.2.2 LSTM神经网络3“门”信息 |
| 2.3 多元线性回归 |
| 2.3.1 模型一般形式 |
| 2.3.2 岭回归与lasso回归 |
| 2.4 数据预处理方法 |
| 2.5 模型性能验证 |
| 2.5.1 验证方式 |
| 2.5.2 统计指标 |
| 3 研究区域与相关性分析 |
| 3.1 信阳市基本情况 |
| 3.2 数据来源与变量基本信息 |
| 3.2.1 数据来源 |
| 3.2.2 变量基本信息 |
| 3.3 城市空气质量相关因素分析与模型设计 |
| 3.3.1 因素的搜集 |
| 3.3.2 研究假设 |
| 3.4 相关性分析 |
| 3.4.1 相关性分析方法 |
| 3.4.2 空气污染物间相关性分析 |
| 3.4.3 空气污染物与气象相关性分析 |
| 3.4.4 空气污染物与月份相关性分析 |
| 4 基于时间序列与LSTM的组合预测模型研究 |
| 4.1 空气污染物月浓度预测 |
| 4.2 空气污染物日浓度预测 |
| 4.3 空气污染物日间逐时趋势预测 |
| 4.4 实验结果与分析 |
| 4.4.1 单日预测结果分析 |
| 4.4.2 连续十日预测结果分析 |
| 4.4.3 日浓度预测结果分析 |
| 4.5 本章小结 |
| 5.基于LSTM与多元回归的组合预测模型研究 |
| 5.1 基于LSTM的预测模型研究 |
| 5.1.1 变量选择 |
| 5.1.2 数据预处理 |
| 5.1.3 LSTM模型设计与训练 |
| 5.2 结合多元回归的组合模型研究 |
| 5.2.1 多元回归模型构建 |
| 5.2.2 数据预处理 |
| 5.2.3 模型训练 |
| 5.3 实验结果与分析 |
| 5.3.1 单日预测结果分析 |
| 5.3.2 连续十日预测结果分析 |
| 5.3.3 日浓度预测结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（7）变化环境下径流动因分析与VLP预测研究 ——以黄河流域为例（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 水文序列突变诊断研究进展 |
| 1.2.2 水文序列幂律分布研究进展 |
| 1.2.3 分布式水文模型研究进展 |
| 1.2.4 水文时间序列智能预报研究进展 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第2章 变化环境下黄河日径流幂律分布特征研究 |
| 2.1 研究区域与分析方法 |
| 2.1.1 研究区域及数据来源 |
| 2.1.2 分析方法 |
| 2.2 日径流序列幂律分布特征 |
| 2.3 突变分析 |
| 2.3.1 气候变化的影响 |
| 2.3.2 人类活动的影响 |
| 2.4 突变前后日径流序列幂律分布特征 |
| 2.5 本章小结 |
| 第3章 黄河中游窟野河流域径流动因响应研究 |
| 3.1 研究区域概况 |
| 3.2 SWAT模型原理 |
| 3.3 SWAT模型构建与验证 |
| 3.3.1 模型构建基础数据 |
| 3.3.2 子流域划分 |
| 3.3.3 水文响应单元划分 |
| 3.3.5 人工侧支流循环在模型中的设定 |
| 3.3.6 模型率定与验证 |
| 3.4 气候变化和人类活动对径流变化的影响分析 |
| 3.5 流域水土保持治理措施建议 |
| 3.6 本章小结 |
| 第4章 变化环境下水文时间序列VLP预测模型研究 |
| 4.1 预测模型原理 |
| 4.1.1 变分模态分解(VMD) |
| 4.1.2 长短期记忆网络(LSTM) |
| 4.1.3 VMD-LSTM-PSO预测模型 |
| 4.1.4 模型精度评估 |
| 4.2 VMD-LSTM-PSO预测模型建立 |
| 4.2.1 VMD分解结果 |
| 4.2.2 模型构建与输入 |
| 4.2.3 预测结果分析 |
| 4.3 不同分解方法预测效果对比分析 |
| 4.4 突变前后径流预测效果分析 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（8）提高风电功率预测效果的改进多步法和风速出力折算（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究课题的背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作 |
| 第2章 相关性与回归方法 |
| 2.1 相关性指标介绍 |
| 2.2 回归方法介绍 |
| 2.2.1 最小二乘支持向量回归 |
| 2.2.2 偏最小二乘回归 |
| 2.2.3 差分自回归移动平均模型 |
| 2.2.4 广义自回归神经网络模型 |
| 2.2.5 随机森林模型 |
| 第3章 多步式预测策略的优选 |
| 3.1 多步式的基本策略 |
| 3.1.1 直接式 |
| 3.1.2 迭代式 |
| 3.2 测试时间序列的设定 |
| 3.2.1 最小二乘支持向量回归预测结果比对 |
| 3.2.2 偏最小二乘回归预测结果比对 |
| 3.2.3 自回归移动平均模型预测结果比对 |
| 3.2.4 广义回归神经网络预测结果比对 |
| 3.2.5 随机森林回归预测结果比对 |
| 3.3 实际时间序列的预测结果分析 |
| 3.4 本章小结 |
| 第4章 水平轴风机瞬时风速与出力之间的关系研究 |
| 4.1 风速-功率特性曲线建模的机理途径 |
| 4.2 水平轴风力发电机的运动分析 |
| 4.2.1 刚体定轴转动定律 |
| 4.2.2 水平轴风机的机械运动方程 |
| 4.2.3 瞬时有效风速-转速、出力之间一阶低通滤波器关系 |
| 4.3 风洞实验数据的验证 |
| 4.3.1 一阶低通滤波器模型验证 |
| 4.3.2 5s摆动周期时相位差的提取 |
| 4.3.3 60s摆动周期时间序列预测 |
| 4.4 折算方法的实际时间序列效果 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（9）基于混合优化模型的风电场短期风速预测研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外风速预测研究现状 |
| 1.3 本文主要研究内容 |
| 2 相关理论基础 |
| 2.1 改进自适应噪声集合经验模态分解(ICEEMDAN) |
| 2.2 变分模态分解(VMD) |
| 2.2.1 变分模态分解基本理论 |
| 2.2.2 最优变分模态分解 |
| 2.3 相空间重构(PSR) |
| 2.4 离群鲁棒极限学习机 |
| 2.5 本章小结 |
| 3 改进的哈里斯鹰优化算法(IHHO) |
| 3.1 哈里斯鹰优化算法(HHO) |
| 3.1.1 哈里斯鹰优化算法基本理论 |
| 3.1.2 基于透镜成像反向学习的哈里斯鹰算法 |
| 3.2 樽海鞘优化算法(SSA) |
| 3.2.1 樽海鞘优化算法基本理论 |
| 3.2.2 多子群的共生非均匀高斯变异的樽海鞘算法 |
| 3.3 改进混合策略 |
| 3.4 测试函数和实验参数设置 |
| 3.5 与其他元启发式算法比较 |
| 3.6 改进策略有效性分析 |
| 3.7 离散整数IHHO |
| 3.8 本章小结 |
| 4 混合风速预测模型的构建过程 |
| 4.1 IHHO算法优化策略 |
| 4.2 风速数据预处理 |
| 4.2.1 数据描述 |
| 4.2.2 数据分解 |
| 4.3 风速预测模型建模流程 |
| 4.4 本章小结 |
| 5 实验仿真分析 |
| 5.1 实验描述和评价指标 |
| 5.2 模型的实验参数 |
| 5.3 预测结果与分析 |
| 5.4 统计检验 |
| 5.4.1 DM测试 |
| 5.4.2 预测稳定性(FE) |
| 5.4.3 灰色关联分析(GRD) |
| 5.4.4 皮尔逊检验(Pearson) |
| 5.5 不同时间间隔样本实验仿真 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
（10）时间序列组合预测模型的建立与应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与选题依据 |
| 1.1.1 研究背景 |
| 1.1.2 选题依据 |
| 1.2 研究内容与意义 |
| 1.2.1 研究内容 |
| 1.2.2 研究意义 |
| 1.3 研究创新与不足 |
| 1.3.1 研究创新 |
| 1.3.2 不足之处 |
| 2 文献综述 |
| 2.1 传统单一模型概述 |
| 2.2 确定性组合预测模型研究述评 |
| 2.3 非确定性组合预测模型研究述评 |
| 2.4 基于分形理论的模型效果合理性检验研究述评 |
| 3 基于信息融合的确定性组合预测模型的建立与应用 |
| 3.1 基于信息融合的确定性组合预测模型 |
| 3.1.1 利用关联规则提取信息 |
| 3.1.2 利用LVQ进行等级预测 |
| 3.1.3 利用AFNN进行实际预测 |
| 3.2 空气污染问题背景与污染物数据特征 |
| 3.3 组合预测模型的预测效果分析 |
| 3.3.1 模型实施过程 |
| 3.3.2 模型效果分析 |
| 3.4 基于分形理论的模型效果合理性检验 |
| 3.4.1 相关分形理论 |
| 3.4.2 数据多重分形分析 |
| 3.4.3 模型效果合理性检验 |
| 3.5 本章小结 |
| 4 基于智能方法的确定性组合预测模型的建立与应用 |
| 4.1 基于智能方法的确定性组合预测模型 |
| 4.1.1 相关理论及方法 |
| 4.1.2 组合预测模型设计 |
| 4.2 风电问题背景与输出功率数据特征 |
| 4.3 组合预测模型的预测效果分析 |
| 4.3.1 模型评价策略 |
| 4.3.2 模型效果分析 |
| 4.4 基于分形理论的模型效果合理性检验 |
| 4.4.1 数据多重分形分析 |
| 4.4.2 模型效果合理性检验 |
| 4.5 本章小结 |
| 5 基于模糊理论的非确定性组合预测模型的建立与应用 |
| 5.1 模糊问题背景 |
| 5.2 模糊时间序列相关定义及加权方法 |
| 5.2.1 模糊理论相关定义 |
| 5.2.2 模糊时间序列 |
| 5.2.3 加权方法 |
| 5.3 基于模糊理论的非确定性组合预测模型 |
| 5.3.1 组合预测模型设计 |
| 5.3.2 模型评估标准和对比模型 |
| 5.3.3 模型参数和数据特征 |
| 5.3.4 基于上证指数的实证分析 |
| 5.3.5 基于电力负荷需求数据的实证分析 |
| 5.4 基于分形理论的模型效果合理性检验 |
| 5.4.1 数据多重分形分析 |
| 5.4.2 模型效果合理性检验 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 在学期间发表的科研成果 |
| 参考文献 |
| 后记 |
四、多步预测的小波神经网络预报模型（论文参考文献）
- [1]基于组合模型的风电功率超短期和短期预测研究[D]. 姜雯曦. 西安理工大学, 2021(01)
- [2]分散式风力发电机组功率预测及基于预测的系统能量调控[D]. 张磊. 内蒙古工业大学, 2021(01)
- [3]基于深度学习的光伏/风电功率预测研究[D]. 戚晓侠. 哈尔滨工程大学, 2020
- [4]基于深度学习的水文预报方法研究[D]. 梁肖旭. 西安电子科技大学, 2020(05)
- [5]风速组合预测模型及其在高速铁路大风预警系统中的应用[D]. 杨龙城. 西南交通大学, 2020(07)
- [6]基于组合模型的信阳市空气污染浓度预测研究[D]. 卢锟鹏. 中国地质大学(北京), 2020(11)
- [7]变化环境下径流动因分析与VLP预测研究 ——以黄河流域为例[D]. 袁佩贤. 天津大学, 2019(01)
- [8]提高风电功率预测效果的改进多步法和风速出力折算[D]. 刘丁一. 天津大学, 2019(01)
- [9]基于混合优化模型的风电场短期风速预测研究[D]. 李嘉文. 浙江大学, 2019(01)
- [10]时间序列组合预测模型的建立与应用研究[D]. 董清利. 东北财经大学, 2019(06)