| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-12页 |
| 1.1 论文的选题背景与研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文的主要研究内容 | 第10-12页 |
| 2 AdaBoost方法 | 第12-21页 |
| 2.1 集成学习 | 第12-13页 |
| 2.2 Boosting方法 | 第13页 |
| 2.3 AdaBoost方法 | 第13-20页 |
| 2.3.1 AdaBoost方法的原理 | 第13-14页 |
| 2.3.2 AdaBoost方法的实现 | 第14-16页 |
| 2.3.3 AdaBoost方法的分析 | 第16-20页 |
| 2.4 小结 | 第20-21页 |
| 3 AdaBoost学习方法的集成研究 | 第21-34页 |
| 3.1 基于RBF神经网络的AdaBoost回归方法 | 第21-24页 |
| 3.1.1 RBF 概述 | 第21-22页 |
| 3.1.2 RBF 学习方法 | 第22-23页 |
| 3.1.3 以 RBF 为弱回归器的 Ada Boost 方法实现 | 第23-24页 |
| 3.2 基于SVM神经网络的AdaBoost回归方法 | 第24-27页 |
| 3.2.1 SVM学习方法 | 第24-25页 |
| 3.2.2 SVM回归学习方法 | 第25-26页 |
| 3.2.3 以SVM为弱回归器的AdaBoost方法实现 | 第26-27页 |
| 3.3 基于ELM神经网络的AdaBoost回归方法 | 第27-30页 |
| 3.3.1 SLFNs的数学描述 | 第28页 |
| 3.3.2 ELM学习方法 | 第28-30页 |
| 3.3.3 以ELM为弱回归器的AdaBoost方法实现 | 第30页 |
| 3.4 基于KELM神经网络的AdaBoost回归方法 | 第30-33页 |
| 3.4.1 KELM学习方法 | 第30-33页 |
| 3.4.2 以KELM为弱回归器的AdaBoost方法实现 | 第33页 |
| 3.5 小结 | 第33-34页 |
| 4 短期风电功率直接预测 | 第34-48页 |
| 4.1 建立预测模型 | 第34-37页 |
| 4.1.1 时间序列概述 | 第35-37页 |
| 4.1.2 时间序列预测 | 第37页 |
| 4.2 新疆天风达坂城地区短期风电功率预测实例 | 第37-42页 |
| 4.2.1 实验数据选取 | 第37-38页 |
| 4.2.2 不同方法的预测结果比较 | 第38-42页 |
| 4.3 加拿大雅伯达省地区短期风电功率预测实例 | 第42-47页 |
| 4.3.1 实验数据选取 | 第42页 |
| 4.3.2 不同方法的预测结果比较 | 第42-47页 |
| 4.4 小结 | 第47-48页 |
| 5 短期风电功率间接预测 | 第48-60页 |
| 5.1 短期风电功率间接预测概述 | 第48-51页 |
| 5.1.1 风速概述 | 第48页 |
| 5.1.2 风速-功率转换方法 | 第48-51页 |
| 5.2 短期风电功率间接预测实例 | 第51-59页 |
| 5.2.1 实验数据选取 | 第51页 |
| 5.2.2 不同方法的预测结果比较 | 第51-59页 |
| 5.3 小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 攻读学位期间的研究成果 | 第65页 |
