基于互相关熵长短期记忆网络的短期组合风电功率预测研究

目录

声明

1绪论

1.1 研究背景与意义

1.2 国内外风电功率预测研究现状

1.2.1 风电功率数据分解技术研究现状

1.2.2 风电功率短期预测技术研究现状

1.3 课题主要研究内容

2风电功率预测影响因素分析与数据预处理

2.1 风电功率预测影响因素分析

2.1.1 风电功率影响因素理论分析

2.1.2 风电功率影响因素案例分析

2.2 基于改进变分模态分解技术的数据预处理模型

2.2.1 VMD原理

2.2.2 互相关熵

2.2.3 基于最大互相关熵的变分模态分解(IVMD)

2.2.4 样本熵(SE)

2.3 预测评价指标

2.4 本章小结

3基于IVMD-SE和互相关熵长短期记忆网络的短期风电功率预测

3.1 长短期记忆网络(LSTM)

3.2 互相关熵长短期记忆网络推导

3.3 IVMD-SE-MCC-LSTM组合预测模型

3.4 案例测试与分析

3.4.1 数据描述

3.4.2 MCC-LSTM预测分析

3.4.3 IVMD-SE-MCC-LSTM 预测分析

3.4.4 比较实验

3.4.5 IVMD-SE-MCC-LSTM 组合预测模型适用性分析

3.5 本章小结

4基于IVMD-SE和混合互相关熵长短期记忆网络的短期风电功率预测

4.1 混合互相关熵

4.2 混合互相关熵长短期记忆网络推导

4.3 MC-LSTM网络参数优化

4.3.1 粒子群算法

4.3.2 基于粒子群算法优化的MC-LSTM网络

4.4 IVMD-SE-PMC-LSTM短期风电功率组合预测模型

4.5 案例测试与分析

4.5.1 数据描述

4.5.2 IVMD-SE-PMC-LSTM 模型性能分析

4.5.3 基于不同数据预处理技术的预测结果比较分析

4.5.4 不同预测模型性能比较分析

4.6 本章小结

5结论与展望

5.1 结论

5.2 展望

致谢

参考文献

在校学习期间发表的论文与参加科研情况