風(fēng)作為大氣環(huán)境中的基本元素,其研究對(duì)于天氣氣候、環(huán)境科學(xué)、清潔能源、氣象災(zāi)害等方法都具有重要的意義。但由于受溫度、氣壓、海拔、地形、緯度等諸多因素影響,風(fēng)具有隨機(jī)性、間歇性、波動(dòng)性等特點(diǎn),使得風(fēng)成為最難預(yù)測(cè)的氣象預(yù)報(bào)要素之一。因此,風(fēng)速預(yù)測(cè)方法的研究,對(duì)于天氣預(yù)報(bào)的提高、環(huán)境污染的研究、風(fēng)資源的開(kāi)發(fā)以及大風(fēng)災(zāi)害的防治都起著十分關(guān)鍵的作用。風(fēng)速數(shù)據(jù)波動(dòng)性、隨機(jī)性較大,直接使用單一預(yù)測(cè)模型進(jìn)行預(yù)測(cè)通常會(huì)造成較大誤差,同時(shí)未經(jīng)參數(shù)優(yōu)化的單一模型在預(yù)測(cè)時(shí)還存在模型參數(shù)不穩(wěn)定、訓(xùn)練過(guò)程可靠性不高等問(wèn)題,成為了風(fēng)速預(yù)測(cè)研究中的熱點(diǎn)。論文研究首先針對(duì)魚(yú)群和蟻群算法在優(yōu)化后期收斂速度變慢的問(wèn)題,提出了一種新的改進(jìn)群體智能算法（AFSA-ACO）,通過(guò)多種測(cè)試函數(shù)對(duì)其優(yōu)化性能進(jìn)行了驗(yàn)證,對(duì)群體智能算法的改進(jìn)進(jìn)行了初步探討;針對(duì)風(fēng)速的高噪聲和非線性特征,在集合經(jīng)驗(yàn)?zāi)B(tài)分解法（EEMD）、小波神經(jīng)網(wǎng)絡(luò)（WNN）與布谷鳥(niǎo)算法（CSO）等方法的基礎(chǔ)上,按照混合的思想,提出了一種新的混合預(yù)測(cè)模型（EEMD-CSO-WNN）;針對(duì)風(fēng)速的線性和非線性特征,在數(shù)據(jù)預(yù)處理、多種線性與非線性預(yù)測(cè)方法及改進(jìn)的群體智能算法的基... 

【文章頁(yè)數(shù)】：73 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 風(fēng)速預(yù)測(cè)研究現(xiàn)狀
        1.2.1 物理方法
        1.2.2 統(tǒng)計(jì)方法
        1.2.3 提高統(tǒng)計(jì)方法預(yù)測(cè)精度的探索
    1.3 研究?jī)?nèi)容與結(jié)構(gòu)安排
第二章 數(shù)據(jù)與方法
    2.1 研究區(qū)域與數(shù)據(jù)選取
        2.1.1 研究區(qū)域介紹
        2.1.2 數(shù)據(jù)集選取
    2.2 數(shù)據(jù)預(yù)處理方法
        2.2.1 奇異譜分析SSA
        2.2.2 經(jīng)驗(yàn)?zāi)B(tài)分解EMD
        2.2.3 集合經(jīng)驗(yàn)?zāi)B(tài)分解EEMD
    2.3 線性預(yù)測(cè)方法
        2.3.1 差分自回歸移動(dòng)平均模型ARIMA
        2.3.2 二次指數(shù)平滑模型ES
    2.4 非線性預(yù)測(cè)方法
        2.4.1 反向傳播神經(jīng)網(wǎng)絡(luò)BPNN
        2.4.2 Elman神經(jīng)網(wǎng)絡(luò)ENN
        2.4.3 廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN
        2.4.4 小波神經(jīng)網(wǎng)絡(luò)WNN
    2.5 模型評(píng)估標(biāo)準(zhǔn)
第三章 改進(jìn)的群體智能算法
    3.1 布谷鳥(niǎo)搜索算法CSO(CuckooSearchOptimization)
    3.2 改進(jìn)的魚(yú)群-蟻群算法AFSA-ACO
        3.2.1 蟻群算法ACO(AntColonyOptimization)
        3.2.2 魚(yú)群算法AFSA(ArtificialFishSchoolAlgorithm)
        3.2.3 魚(yú)群-蟻群算法(AFSA-ACO)
        3.2.4 改進(jìn)的AFSA-ACO方法的效果評(píng)估
    3.3 小結(jié)
第四章 風(fēng)速預(yù)測(cè)的混合算法
    4.1 布谷鳥(niǎo)優(yōu)化小波神經(jīng)網(wǎng)絡(luò)模型
    4.2 混合預(yù)測(cè)模型(EEMD-CSO-WNN)
    4.3 提出混合方法的效果評(píng)估與分析
    4.4 小結(jié)
第五章 風(fēng)速預(yù)測(cè)的組合方法
    5.1 組合理論
    5.2 基于數(shù)據(jù)預(yù)處理與改進(jìn)的群體智能算法組合預(yù)測(cè)方法
    5.3 提出組合模型的效果評(píng)估與結(jié)果分析
        5.3.1 組合模型的預(yù)測(cè)誤差評(píng)估
        5.3.2 偏差-方差測(cè)試框架對(duì)組合模型的預(yù)測(cè)效果評(píng)估
        5.3.3 組合模型的誤差改進(jìn)率評(píng)估
        5.3.4 組合模型的假設(shè)性檢驗(yàn)評(píng)估
        5.3.5 組合模型的有效性驗(yàn)證評(píng)估
    5.6 小結(jié)
第六章 總結(jié)與展望
    6.1 主要結(jié)論
    6.2 未來(lái)展望
參考文獻(xiàn)
在學(xué)期間研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]風(fēng)電場(chǎng)風(fēng)速數(shù)值預(yù)報(bào)的動(dòng)態(tài)修訂方法的探討[J]. 吳息,黃林宏,周海,王知嘉,江燕如.  大氣科學(xué)學(xué)報(bào). 2014(05)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速觀測(cè)資料序列訂正模型[J]. 李世萍,孔令彬,肖瑋,田夢(mèng),張文煜.  蘭州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2013(03)
[3]短期風(fēng)電功率預(yù)測(cè)誤差綜合評(píng)價(jià)方法[J]. 徐曼,喬穎,魯宗相.  電力系統(tǒng)自動(dòng)化. 2011(12)
[4]基于組合預(yù)測(cè)方法的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)[J]. 彭懷午,劉方銳,楊曉峰.  太陽(yáng)能學(xué)報(bào). 2011(04)
[5]徑向基函數(shù)（RBF）網(wǎng)絡(luò)的研究及實(shí)現(xiàn)[J]. 周俊武,孫傳堯,王福利.  礦冶. 2001(04)

博士論文
[1]支持向量機(jī)模型選擇研究[D]. 汪廷華.北京交通大學(xué) 2010

碩士論文
[1]基于時(shí)間序列分析的風(fēng)速短期預(yù)測(cè)方法研究[D]. 岳莉莉.華北電力大學(xué) 2012



本文編號(hào)：3663530