| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 太阳能辐照度预测研究现状 | 第11-12页 |
| 1.2.1 国内太阳能预测的研究现状 | 第11-12页 |
| 1.2.2 国外太阳能预测的研究现状 | 第12页 |
| 1.3 预测模型研究现状 | 第12-15页 |
| 1.3.1 时间序列预测的研究现状 | 第12-13页 |
| 1.3.2 机器学习预测的研究现状 | 第13页 |
| 1.3.3 卷积神经网络的研究现状 | 第13-15页 |
| 1.4 本文研究内容及主要贡献 | 第15-18页 |
| 第2章 竞赛数据集和对照实验 | 第18-26页 |
| 2.1 竞赛数据集 | 第18-20页 |
| 2.2 预测与评估 | 第20-21页 |
| 2.3 获胜者的特征选择方案 | 第21-23页 |
| 2.4 特征选择 | 第23-24页 |
| 2.5 对照实验 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 集成学习算法在太阳能辐照度预测中的应用研究 | 第26-44页 |
| 3.1 集成学习 | 第26-27页 |
| 3.2 数据采样 | 第27-29页 |
| 3.2.1 K-means聚类和K折交叉验证 | 第27-28页 |
| 3.2.2 训练集采样 | 第28-29页 |
| 3.3 基学习器 | 第29-31页 |
| 3.3.1 CART回归树 | 第29-30页 |
| 3.3.2 随机森林的属性扰动 | 第30-31页 |
| 3.4 贝叶斯模型组合算法 | 第31-33页 |
| 3.4.1 贝叶斯模型平均 | 第31-32页 |
| 3.4.2 贝叶斯模型组合 | 第32-33页 |
| 3.5 基于贝叶斯模型组合的集成学习预测方法 | 第33-34页 |
| 3.5.1 集成学习模型 | 第33-34页 |
| 3.5.2 预测模型组合 | 第34页 |
| 3.6 太阳能辐照度预测实验 | 第34-43页 |
| 3.6.1 性能指标 | 第34-35页 |
| 3.6.2 模型特征选择 | 第35-36页 |
| 3.6.3 数据预处理 | 第36页 |
| 3.6.4 模型误差估计及参数设置 | 第36-38页 |
| 3.6.5 实验结果与分析 | 第38-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第4章 卷积神经网络在太阳能辐照度预测中的应用研究 | 第44-70页 |
| 4.1 卷积神经网络 | 第44-46页 |
| 4.2 新型卷积神经网络 | 第46-49页 |
| 4.2.1 新型卷积神经网络的结构 | 第46-47页 |
| 4.2.2 误差求导修正权值过程 | 第47-49页 |
| 4.3 混沌融合优化算法 | 第49-53页 |
| 4.3.1 混沌初始化 | 第49-51页 |
| 4.3.2 融合算法优化卷积神经网络 | 第51-53页 |
| 4.4 动态优化网络的超参数 | 第53-54页 |
| 4.5 标准测试函数仿真实验 | 第54-57页 |
| 4.6 相关性分析 | 第57-69页 |
| 4.6.1 不同采样时刻气象预报数据的相关性分析 | 第58-59页 |
| 4.6.2 基于不同时刻气象预报信息相关性分析的太阳能辐照度预测 | 第59-63页 |
| 4.6.3 基于不同时刻气象预报信息相关性分析的权值可视化 | 第63-64页 |
| 4.6.4 不同GEFS站点气象预报数据相关性分析 | 第64-65页 |
| 4.6.5 基于不同站点气象预报信息相关性分析的太阳能辐照度预测 | 第65-68页 |
| 4.6.6 不同站点气象预报信息相关性分析的权值可视化 | 第68-69页 |
| 4.7 本章小结 | 第69-70页 |
| 第5章 预测误差对比分析 | 第70-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 发表论文和参加科研情况说明 | 第82-84页 |
| 致谢 | 第84页 |
