目 录
1 绪 论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文主要研究内容
1.4 文章结构安排
2 基于EWT分解的组合预测模型
2.1 引言
2.2 经验小波变换原理
2.3 差分整合移动平均自回归模型(ARIMA)原理
2.4 最小二乘支持向量机(LSSVM)原理
2.4.1 支持向量机(SVM)
2.4.2 最小二乘支持向量机(LSSVM)
2.5 高斯过程回归(GPR)原理
2.5.1 权重空间角度
2.5.2 函数空间角度
2.5.3 核函数
2.6 基于EWT分解的组合预测模型
2.7 实验数据
2.8 风速时间序列分解及频段划分
2.8.1 风速时间序列分解效果
2.8.2 频段划分原则
2.9 基于EWT分解的组合预测模型的对比实验
2.9.1 对比实验设置
2.9.2 评判标准
2.9.3 基于EWT分解的组合预测模型与不分解预测模型的对比实验
2.9.4 基于EWT分解的组合预测模型与基于传统分解方法的组合预测模型的对比实验
2.9.5 基于EWT分解的组合预测模型与基于EWT分解的单一预测模型的对比实验
2.10 本章小结
3 基于DE-GWO超参数优化的预测模型
3.1 引言
3.2 差分进化-灰狼优化(DE-GWO)原理
3.2.1 差分进化(DE)
3.2.2 灰狼优化(GWO)
3.2.3 差分进化-灰狼优化(DE-GWO)
3.3 基于DE-GWO超参数优化的模型的对比实验
3.3.1 训练集与验证集划分
3.3.2 基于DE-GWO 超参数优化的预测模型
3.3.3 基于DE-GWO 超参数优化的不分解预测模型与不分解预测模型的对比实验
3.3.4 基于EWT分解和DE-GWO 超参数优化的单一预测模型与基于EWT分解的单一预测模型的对比实验
3.4 本章小结
4 基于EWT分解和DE-GWO超参数优化的组合预测模型
4.1 引言
4.2 基于EWT分解和DE-GWO超参数优化的组合预测模型
4.3 基于EWT分解和DE-GWO超参数优化的组合预测模型的对比实验
4.4 对比总表
4.5 本章小结
5 总结与展望
5.1 工作总结
5.2 工作展望
参考文献
附 录
A 学位论文数据集
致 谢
声明
重庆大学;