| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 风速预测研究现状 | 第11-14页 |
| 1.2.1 物理方法 | 第11页 |
| 1.2.2 统计方法 | 第11-13页 |
| 1.2.3 提高统计方法预测精度的探索 | 第13-14页 |
| 1.3 研究内容与结构安排 | 第14-16页 |
| 第二章 数据与方法 | 第16-26页 |
| 2.1 研究区域与数据选取 | 第16-17页 |
| 2.1.1 研究区域介绍 | 第16-17页 |
| 2.1.2 数据集选取 | 第17页 |
| 2.2 数据预处理方法 | 第17-19页 |
| 2.2.1 奇异谱分析SSA | 第17-18页 |
| 2.2.2 经验模态分解EMD | 第18页 |
| 2.2.3 集合经验模态分解EEMD | 第18-19页 |
| 2.3 线性预测方法 | 第19-21页 |
| 2.3.1 差分自回归移动平均模型ARIMA | 第19-20页 |
| 2.3.2 二次指数平滑模型ES | 第20-21页 |
| 2.4 非线性预测方法 | 第21-24页 |
| 2.4.1 反向传播神经网络BPNN | 第21-22页 |
| 2.4.2 Elman神经网络ENN | 第22-23页 |
| 2.4.3 广义回归神经网络GRNN | 第23页 |
| 2.4.4 小波神经网络WNN | 第23-24页 |
| 2.5 模型评估标准 | 第24-26页 |
| 第三章 改进的群体智能算法 | 第26-33页 |
| 3.1 布谷鸟搜索算法CSO(CuckooSearchOptimization) | 第26页 |
| 3.2 改进的鱼群-蚁群算法AFSA-ACO | 第26-32页 |
| 3.2.1 蚁群算法ACO(AntColonyOptimization) | 第27页 |
| 3.2.2 鱼群算法AFSA(ArtificialFishSchoolAlgorithm) | 第27-28页 |
| 3.2.3 鱼群-蚁群算法(AFSA-ACO) | 第28-29页 |
| 3.2.4 改进的AFSA-ACO方法的效果评估 | 第29-32页 |
| 3.3 小结 | 第32-33页 |
| 第四章 风速预测的混合算法 | 第33-48页 |
| 4.1 布谷鸟优化小波神经网络模型 | 第33-34页 |
| 4.2 混合预测模型(EEMD-CSO-WNN) | 第34-35页 |
| 4.3 提出混合方法的效果评估与分析 | 第35-46页 |
| 4.4 小结 | 第46-48页 |
| 第五章 风速预测的组合方法 | 第48-67页 |
| 5.1 组合理论 | 第48页 |
| 5.2 基于数据预处理与改进的群体智能算法组合预测方法 | 第48-49页 |
| 5.3 提出组合模型的效果评估与结果分析 | 第49-65页 |
| 5.3.1 组合模型的预测误差评估 | 第49-51页 |
| 5.3.2 偏差-方差测试框架对组合模型的预测效果评估 | 第51-56页 |
| 5.3.3 组合模型的误差改进率评估 | 第56-58页 |
| 5.3.4 组合模型的假设性检验评估 | 第58-59页 |
| 5.3.5 组合模型的有效性验证评估 | 第59-65页 |
| 5.6 小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 主要结论 | 第67-68页 |
| 6.2 未来展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 在学期间研究成果 | 第72-73页 |
| 致谢 | 第73页 |
