| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-11页 |
| 1.1 论文研究背景及意义 | 第8-9页 |
| 1.2 短期风速预测研究现状 | 第9-10页 |
| 1.3 本文主要研究内容及论文结构 | 第10-11页 |
| 2 实验理论 | 第11-23页 |
| 2.1 BP神经网络 | 第11-14页 |
| 2.1.1 人工神经网络 | 第11页 |
| 2.1.2 BP神经网络结构 | 第11-12页 |
| 2.1.3 BP神经网络特点 | 第12-13页 |
| 2.1.4 BP神经网络构建 | 第13页 |
| 2.1.5 利用BP神经网络进行风速预测 | 第13-14页 |
| 2.2 小波分析 | 第14-16页 |
| 2.2.1 小波分析基本理论 | 第14-15页 |
| 2.2.2 小波基函数的选择 | 第15-16页 |
| 2.3 小波神经网络 | 第16-19页 |
| 2.3.1 小波神经网络的特点 | 第18页 |
| 2.3.2 小波神经网络预测模型的结构设置 | 第18-19页 |
| 2.4 布谷鸟搜索优化算法 | 第19-21页 |
| 2.4.1 布谷鸟的繁衍行为 | 第19页 |
| 2.4.2 Lévy flights | 第19页 |
| 2.4.3 布谷鸟搜索算法的基本原理 | 第19-20页 |
| 2.4.4 布谷鸟搜索算法的步骤 | 第20-21页 |
| 2.5 样本数据的预处理 | 第21-23页 |
| 3 实验模型以及研究区域和数据 | 第23-27页 |
| 3.1 结合小波分解(WD),小波神经网络(WNN)和布谷鸟搜索优化算法(CS)的三种多步预测模型 | 第23-25页 |
| 3.1.1 CS-WD-ANN 模型 | 第23-24页 |
| 3.1.2 CS-WNN模型 | 第24-25页 |
| 3.1.3 CS-WD-WNN 模型 | 第25页 |
| 3.2 研究区域和数据 | 第25-26页 |
| 3.3 评估标准 | 第26-27页 |
| 4 结果与分析 | 第27-44页 |
| 4.1 BP神经网络预测风速 | 第27-29页 |
| 4.1.1 三个实验超前多步步预测比较 | 第27-29页 |
| 4.1.2 结果分析 | 第29页 |
| 4.2 CS-WD-ANN、CS-WNN、CS-WD-WNN 三个模型进行比较 | 第29-38页 |
| 4.2.1 三种开发模型的比较 | 第31-37页 |
| 4.2.2 结果分析 | 第37-38页 |
| 4.3 开发的混合模型与已有的风速预测模型的比较 | 第38-42页 |
| 4.3.1 开发的三个模型与已有的风速预测模型进行比较 | 第38-42页 |
| 4.3.2 结果分析 | 第42页 |
| 4.4 结论 | 第42-44页 |
| 总结 | 第44-46页 |
| 参考文献 | 第46-51页 |
| 致谢 | 第51-52页 |
| 攻读学位期间取得的科研成果清单 | 第52页 |
