| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-14页 |
| 1.1 论文的选题背景与研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文的主要研究内容 | 第12-14页 |
| 2 极限学习机理论 | 第14-19页 |
| 2.1 极限学习机 | 第14-16页 |
| 2.2 核极限学习机 | 第16-18页 |
| 2.3 小结 | 第18-19页 |
| 3 基于CEEMDAN-FE-KELM方法的短期风电功率预测 | 第19-37页 |
| 3.1 风电功率时间序列预处理方法 | 第19-23页 |
| 3.1.1 EMD方法 | 第19-20页 |
| 3.1.2 EEMD方法 | 第20-21页 |
| 3.1.3 CEEMD方法 | 第21-22页 |
| 3.1.4 CEEMDAN方法 | 第22-23页 |
| 3.2 时间序列的复杂度评估 | 第23-25页 |
| 3.3 基于CEEMDAN-FE-KELM方法在短期风电功率中的应用 | 第25-36页 |
| 3.3.1 构建风电功率预测模型 | 第25-26页 |
| 3.3.2 实验数据的选取 | 第26页 |
| 3.3.3 风电功率时间序列分解 | 第26-32页 |
| 3.3.4 本征模态分量重组 | 第32-34页 |
| 3.3.5 组合预测 | 第34-36页 |
| 3.4 小结 | 第36-37页 |
| 4 基于优化的核极限学习机的风电功率预测 | 第37-49页 |
| 4.1 GA-KELM算法 | 第38-39页 |
| 4.2 DE-KELM算法 | 第39-40页 |
| 4.3 SA-KELM算法 | 第40页 |
| 4.4 基于优化核极限学习机方法在预测中的应用 | 第40-48页 |
| 4.4.1 混沌时间序列的直接多步预测实例 | 第41-43页 |
| 4.4.2 基于优化核极限学习机方法在风电功率时间序列超短期预测实验 | 第43-48页 |
| 4.5 小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读学位期间的研究成果 | 第55页 |
