| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 课题的研究背景及意义 | 第8页 |
| 1.2 经典风速预测方法研究现状 | 第8-10页 |
| 1.3 深度学习及其在风速预测中的应用研究现状 | 第10-16页 |
| 1.3.1 深度学习理论的基本思想 | 第10-12页 |
| 1.3.2 深度学习常用模型 | 第12-15页 |
| 1.3.3 基于深度学习的风速预测应用研究现状 | 第15-16页 |
| 1.4 课题的选题及特色 | 第16页 |
| 1.5 本文的主要工作 | 第16-18页 |
| 第2章 基于经典风速预测模型的短期风速预测研究 | 第18-36页 |
| 2.1 时间序列法基本原理 | 第18-19页 |
| 2.2 支持向量机基本原理 | 第19-20页 |
| 2.3 BP神经网络基本原理 | 第20-22页 |
| 2.4 风场数据采集及预测模型误差分析指标 | 第22-24页 |
| 2.4.1 室外风速数据采集 | 第22-23页 |
| 2.4.2 风速预测模型误差分析指标 | 第23-24页 |
| 2.5 经典风速预测模型建立 | 第24-35页 |
| 2.5.1 ARIMA风速预测模型建立 | 第24-30页 |
| 2.5.2 SVR风速预测模型建立 | 第30-33页 |
| 2.5.3 BP神经网络风速预测模型建立 | 第33-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 基于长短期记忆网络的短期风速预测研究 | 第36-52页 |
| 3.1 LSTM网络 | 第36-40页 |
| 3.1.1 LSTM网络概念及原理 | 第36-37页 |
| 3.1.2 LSTM网络训练方法 | 第37-40页 |
| 3.2 LSTM网络参数选择以及预测模型建立 | 第40-44页 |
| 3.3 实验结果与对比分析 | 第44-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第4章 自适应迭代加强的短期风速高精度组合预测研究 | 第52-68页 |
| 4.1 组合预测方法 | 第52-54页 |
| 4.1.1 线性组合预测 | 第53页 |
| 4.1.2 非线性组合预测 | 第53-54页 |
| 4.2 基于熵系数法的风速组合预测方法 | 第54-56页 |
| 4.2.1 熵系数法原理 | 第54-55页 |
| 4.2.2 基于熵系数法的风速组合预测模型建立 | 第55-56页 |
| 4.3 基于广义回归神经网络的风速组合预测方法 | 第56-58页 |
| 4.3.1 广义回归神经网络原理 | 第56-57页 |
| 4.3.2 基于广义回归神经网络的风速组合预测模型建立 | 第57-58页 |
| 4.4 自适应迭代加强的短期风速高精度组合预测方法 | 第58-61页 |
| 4.5 实验结果与对比分析 | 第61-66页 |
| 4.6 本章小结 | 第66-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 发表论文和参加科研情况说明 | 第76-78页 |
| 致谢 | 第78页 |
