| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 论文的主要研究内容 | 第16-17页 |
| 1.4 论文的组织结构与章节安排 | 第17-19页 |
| 第二章 极限学习机与纵横交叉算法 | 第19-33页 |
| 2.1 极限学习机 | 第19-21页 |
| 2.2 纵横交叉算法 | 第21-24页 |
| 2.3 纵横交叉算法优化极限学习机 | 第24-27页 |
| 2.4 纵横交叉算法优化极限学习机的有效性验证 | 第27-32页 |
| 2.4.1 数据来源与数据修正 | 第27-29页 |
| 2.4.2 实验平台和误差评价标准 | 第29页 |
| 2.4.3 算例分析 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于经验模态分解的数据处理方法 | 第33-47页 |
| 3.1 主流数据分解方法 | 第33-38页 |
| 3.1.1 经验模态分解 | 第33-35页 |
| 3.1.2 集合经验模态分解 | 第35页 |
| 3.1.3 小波分解 | 第35-37页 |
| 3.1.4 可变模式分解 | 第37-38页 |
| 3.2 基于经验模态分解和小波包分解的二次混合分解方法 | 第38-42页 |
| 3.2.1 小波包分解 | 第38-40页 |
| 3.2.2 所提二次混合分解方法 | 第40-42页 |
| 3.3 二次混合分解方法的有效性验证 | 第42-46页 |
| 3.3.1 二次分解模型性能分析 | 第42-44页 |
| 3.3.2 不同分解方法性能对比 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 基于经验模态分解和极限学习机的风电功率预测 | 第47-59页 |
| 4.1 模型框架 | 第47-48页 |
| 4.2 模型参数选择 | 第48-52页 |
| 4.2.1 选择ELM的隐含层个数 | 第48-49页 |
| 4.2.2 选择模型的输入维数 | 第49-50页 |
| 4.2.3 选择CSO的纵向交叉概率P_v | 第50-52页 |
| 4.3 算例分析 | 第52-58页 |
| 4.3.1 算例1 | 第52-54页 |
| 4.3.2 算例2 | 第54-58页 |
| 4.4 本章小结 | 第58-59页 |
| 结论与展望 | 第59-61页 |
| 参考文献 | 第61-68页 |
| 攻读学位期间发表论文 | 第68-70页 |
| 致谢 | 第70页 |