| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本课题研究内容 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第2章 相关理论与关键技术研究 | 第13-21页 |
| 2.1 常用预测模型 | 第13-16页 |
| 2.1.1 支持向量机预测模型 | 第13-14页 |
| 2.1.2 神经网络预测模型 | 第14-16页 |
| 2.2 深度预测模型 | 第16-20页 |
| 2.2.1 CNNs深度模型 | 第16-17页 |
| 2.2.2 RBM限制波尔兹曼机 | 第17-18页 |
| 2.2.3 DBN深度模型 | 第18-19页 |
| 2.2.4 SAE深度模型 | 第19-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 基于SAE_BP的风功率预测模型的研究 | 第21-34页 |
| 3.1 基于堆叠自编码器的预测模型 | 第21-26页 |
| 3.1.1 SAE_BP模型结构和训练算法 | 第21-24页 |
| 3.1.2 SAE_BP模型的构造和训练过程 | 第24-25页 |
| 3.1.3 带有稀疏性限制的SAE | 第25-26页 |
| 3.2 基于粒子群优化算法的预测模型 | 第26-28页 |
| 3.3 实验结果 | 第28-33页 |
| 3.3.1 基于人工经验的样本构造 | 第29页 |
| 3.3.2 模型预测精度 | 第29页 |
| 3.3.3 实验结果与分析 | 第29-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 改进样本构造方法的深度模型研究 | 第34-46页 |
| 4.1 风功率数据序列分组 | 第34-38页 |
| 4.1.1 基于相似度的样本选取 | 第34-36页 |
| 4.1.2 基于前趋势相似度的样本选取 | 第36-38页 |
| 4.2 基于复合函数的样本构造 | 第38-41页 |
| 4.3 实验结果与分析 | 第41-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第5章 风功率预测软件实现 | 第46-54页 |
| 5.1 C | 第46-51页 |
| 5.1.1 开发工具介绍 | 第46-48页 |
| 5.1.2 SAE_BP模型在Matlab中的相关设置 | 第48-49页 |
| 5.1.3 SAE_BP模型在Visual Stdio中的相关设置 | 第49-51页 |
| 5.2 基于深度学习的预测模型的实现框架 | 第51-52页 |
| 5.3 预测模型软件界面 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第6章 结论与展望 | 第54-55页 |
| 6.1 本文工作总结 | 第54页 |
| 6.2 未来工作及展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间参加的科研工作 | 第58-59页 |
| 致谢 | 第59页 |