一、小波分析在太阳辐射神经网络预测中的应用研究（论文文献综述）
黄小乔[1]（2021）在《基于深度学习的超短期太阳辐照度预测模型研究》文中研究指明随着全球能源危机和环境问题的日益加剧,可再生能源成为各国政府关注的焦点。太阳能发电作为一种应用前景广阔的清洁能源,近年来取得了飞速发展,正成为一种重要的可再生能源。然而,太阳能发电具有间歇性和波动性的特点,当越来越多的太阳能发电并入电网时,如果不能有效的预测和控制这种不稳定性将给电网的安全稳定运行提出重大的挑战。太阳辐照度的变化是导致太阳能发电输出功率不稳定的最主要的影响因素,因此准确预测太阳辐照度在电能规划和管理中起着越来越重要的作用,具有重要的应用价值。论文针对辐照度时间序列的特点,以循环神经网络（recurrent neural network,RNN）中的长短期记忆网络（long short-term memory,LSTM）、门控循环单元（gated recurrent unit,GRU）、Elman网络为基础,提出并设计了五种网络结构和方法,实现了辐照度较为精确的预测。主要工作如下:（1）统计分析了天气预报参数与辐照度的相关性,研究了辐照度的时间特性,确定了温度、湿度、天气类型三个天气预报参数加上月、天和时三个时间参数合计六个输入特征。在此基础上,提出了一种基于天气预报的GRU模型预测方法。实验结果表明,以确定的六个特征为输入的GRU网络能实现较为准确的24小时辐照度预测;对比BP神经网络（back propagation neural network,BPNN）和RNN,GRU网络的均方根误差（root mean squared error,RMSE）分别降低了23.3%和11.9%;对比LSTM网络,训练时间减少了36.6%;预测技巧分数（forecast skill,FS）为0.4201。（2）提出了基于小波变换和Elman网络的辐照度预测模型。该模型中,首先将辐照度时间序列用小波分解成不同频率的子带,然后,将每一个子带单独输入到Elman网络中训练测试预测,最后对每一个子带预测的小波系数进行小波重构得到预测的辐照度值。小波变换能将辐照度序列中因地球运动而产生的周期性低频信息和因云层运动而产生的高频信息进行简单的分离。Elman网络针对不同频率的信息单独预测,其数据的相关性更强,因而准确性越高。根据实测数据的仿真结果表明,提出的模型在小时辐照度预测中表现出优良的性能,预测技巧分数FS达到了0.7590。（3）提出了一种基于自适应噪声总体集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）数据分解方法和CNN-LSTM网络的辐照度预测模型。辐照度数据经过CEEMDAN分解后得到不同频率成分的特征模态函数（intrinsic mode functions,IMFs）和残余分量（residual,R）。针对一段时间内的IMFs和R数据的结构特点,构建了五种CNN-LSTM网络的输入结构,并进行了详细讨论和性能比较,结果表明,文中的CNN-LSTMV结构性能最优,模型的可解释性也最强。在四个不同气候类型的数据集上对提出的CEEMDAN-CNN-LSTM模型进行了验证比较,证实了该模型的预测精度高、鲁棒性强。（4）构建了应用于辐照度时间序列预测的LSTM网络,设计了两种含有不同输入特征的输入结构;提出了一个双分支输入的LSTM-MLP网络,针对该网络设计了两个不同的主输入,两个不同的辅助输入,共四种输入结构。探讨了以上六种结构在不同滞后时间的输入下的预测性能。实验结果表明,当主输入为历史辐照度和气象数据、辅助输入为下一时刻的天气预报参数时,网络的性能最佳。这表明下一时刻的天气预报参数对模型的预测精度的提升发挥了重要的作用。（5）提出了一种WPD-CNN-LSTM-MLP混合深度学习辐照度预测模型。该模型在LSTM-MLP双分支的基础上,进一步改进为多分支多输入的结构,同时添加了小波包分解（wavelet packet decomposition,WPD）和卷积神经网络（convolutional neural network,CNN）来提取特征信息。辐照度序列经WPD分解为四个通道,每一个通道采用CNN进一步提取特征后输入到LSTM网络;历史辐照度和气象参数作为第二个输入,输入到LSTM网络;天气预报参数作为第三个输入,输入到前面两个合并的全连接层中,最终得到预测结果。该模型通过不同的输入将频域信息和时域信息进行了有效的融合,达到了联合学习的目的。实验结果表明,多分支多输入的WPD-CNN-LSTM-MLP模型提高了预测精度。
刘也[2]（2020）在《基于小波神经网络与支持向量机的供热负荷预测方法研究》文中进行了进一步梳理北方冬季供暖耗能巨大,采取集中供暖方式代替分散供热可以有效提高供热效率,减少资源浪费。但与此同时,不合理的供暖计划往往无法满足用户的需求或者由于供热过多造成热能耗散。针对这种情况,本文建立预测模型来确定供热负荷。精确的负荷预测对集中供热达到供需平衡有很好的促进作用。本文采用MATLAB软件分别建立小波神经网络与支持向量机热负荷预测模型,并将吉林市某热电厂历史数据及历史天气数据作为模型的输入参数,比较不同热负荷预测模型的预测精度、预测速度与泛化能力等指标。经过影响因素的初步筛选及相关性分析,最终将室外温度、风速、太阳辐射、前一时刻热负荷及前两时刻热负荷作为预测模型的输入参数。针对传统小波神经网络随机初始参数引起的网络收敛缓慢甚至不收敛的问题,本文采用全局搜索能力强、收敛速度快的遗传算法对供热负荷预测模型网络结构及初始参数进行优化。结果表明,将优化后的小波神经网络用于集中供热负荷预测,其预测结果的准确性与稳定性显着提高。为了克服以RBF为核函数的支持向量机模型全局搜索能力较差的问题,又能够利用具有较强的局部搜索能力,随后分别使用全局搜索能力强的网格搜索算法、粒子群算法和遗传算法来优化模型。结果表明,优化后的支持向量机预测模型的预测精度和泛化能力都有所提高,其中提高最多的是遗传算法优化的支持向量机预测模型。除研究预测模型结构的变化对预测能力的影响外,本文还将输入参数数据类型的变化作为自变量,研究其对模型预测能力的影响。结果表明,相同的预测模型结构下,小时负荷数据的预测结果要比日负荷数据的预测结果更加准确。
刘欢欢[3]（2020）在《考虑光伏用户的馈线短期负荷预测研究》文中研究表明伴随着电力市场体制的改革,智能配电网迅猛发展,为了应对环境污染与能源紧缺的问题,响应国家大力鼓动发展新能源,太阳能作为清洁能源之一越来越引起重视,促使光伏发电在电力系统中逐渐被推广使用。当光伏发电技术被广泛应用后,配电系统将会引进越来越多的光伏用户,将致使原始的配电系统潮流方向和负荷分配发生变化。当在应用过去传统的馈线短期负荷预测措施展开考虑光伏用户的馈线短期负荷预测时,光伏用户生产的发电负荷所带来的间歇性和波动性等不良影响将会使馈线短期负荷预测结果产生较大的偏差。因此,对考虑光伏用户的馈线短期负荷预测进行深入研究是对传统馈线短期负荷预测的改进和优化,并且能够更好地协助配电系统完成规划、供电等工作,具有非常重要的现实意义。在诸多负荷预测方法中,人工神经网络算法能够自主适应于大量非结构性和非精确性的规律,同时具备强大的非线性函数拟合能力和学习能力,在配电系统的短期负荷预测中取得精确度较高的预测结果。因此,本文在人工神经网络算法的基础上对考虑光伏用户的馈线展开短期负荷预测的研究,提出了将考虑光伏用户的馈线负荷拆解为传统馈线负荷部分与光伏发电负荷部分,并分别选取各自最佳的人工神经网络算法进行短期负荷预测,再向量叠加合并得到预测精确度更高的考虑光伏用户的馈线负荷。主要工作如下:首先,运用配电系统中用电与发电潮流方向的不同,将考虑光伏用户的馈线负荷拆解成传统馈线负荷部分与光伏发电负荷部分,分别剖析两者各自的负荷特性并根据它们的周期性、季节特性判断短期负荷变化的影响因素。其次,利用皮尔逊相关系数法筛选出传统馈线负荷和光伏发电负荷的主要影响因素,并将它们作为人工神经网络算法预测模型中的输入变量。根据两者的负荷特性提出搭建考虑光伏用户的馈线短期负荷预测模型,由基于GRNN神经网络的传统馈线短期负荷预测模块与基于ELMAN神经网络的光伏发电短期负荷预测模块两大模块共同组成。最后,以广东省某地区某一考虑光伏用户的10k V馈线为例,将其负荷数据和对应的气象数据在MATLAB仿真平台进行实验仿真,结果表明拆解为传统馈线负荷部分和光伏发电负荷部分后分别展开短期负荷预测再进行两者数据向量叠加合并,所得到的考虑光伏用户的馈线短期负荷预测结果明显优于该馈线直接进行短期负荷预测的结果,最终预测精确度的提高证明了考虑光伏用户的馈线实施分解的有效性以及该预测算法的有效性。
高碧轩[4]（2020）在《基于机器学习算法的中短期太阳辐照度预测研究》文中指出在当今越来越多的大规模光伏发电并入到电网的环境下,光伏发电功率的间歇性和波动性会对电网高质量的运行造成非常不利的影响,而在光伏发电过程中,太阳辐射是决定其变化的最重要因素。因此,精确的太阳辐照度预测对于光伏发电至关重要,它将有利于电力系统对电力进行实时调度和规划,保证电网安全稳定运行。论文基于多种机器学习算法和多个地区的真实数据建立了三种太阳辐照度预测模型,具体完成工作如下:（1）研究了三种传统机器学习算法在提前1小时的辐照度预测中的性能,它们分别是支持向量机（SVM）、多层感知机（MLP）和传统循环神经网络（RNN）。实验中预测模型分别采用两组不同的输入特征:（A）辐照度历史数据;（B）辐照度历史数据和气象数据。实验结果表明B组性能略微优于A组,但A组和B组整体的预测性能较差,A组所有预测结果的均方根误差（RMSE）在89.7194.34W/m2之间,B组所有预测结果的RMSE在86.4187.23 W/m2之间。（2）提出了基于天气预报数据和门循环单元（GRU）的日前24小时辐照度预测模型。该模型选择多个天气预报参数作为模型的输入特征,并使用GRU网络对未来一天内24小时辐照度进行预测。实验结果表明,GRU分别将RNN、MLP和CSIP预测模型的RMSE降低了16.58,37.14和48.50 W/m2。此外,与长短期记忆网络（LSTM）模型相比,GRU的训练时间缩短了将近40%。（3）提出了一种基于自适应噪声完整集成经验模态分解（CEEMDAN）和深度学习网络（CNN-LSTM）的混合预测模型,该模型用于提前1小时的辐照度预测。CEEMDAN-CNN-LSTM预测模型首先通过CEEMDAN将辐照度历史数据分解为多个频率信号,然后将分解的不同频率信号作为CNN-LSTM模型的输入。CEEMDAN-CNN-LSTM预测模型在美国和阿尔及利亚等地区RMSE的平均值为40.28 W/m2,并且CEEMDAN-CNN-LSTM将其它七种基准模型的RMSE减低了11.60%70.92%。
梁彩霞[5]（2020）在《基于相似日和改进的PSO-DBN光伏出力短期预测》文中研究表明随着化石能源的不断消耗及其带来的环境污染问题,各国政府越来越重视对清洁能源的开发和利用,光伏发电如今已成为可再生能源领域的研究热点。然而光伏发电系统受外部环境影响,输出功率序列呈现出明显的非线性和间歇性。准确预测光伏出力情况,并做好事先规划能有效降低大规模光伏并网带给大电网的冲击。但目前的光伏输出功率预测算法通常存在易陷入局部极值、预测精度不够等问题。基于上述问题,本文结合深度信念网络技术对光伏短期发电功率的预测进行了研究,主要研究成果如下:（1）通过分析光伏电池的等效电路和工作原理,建立仿真模型,并在MATLAB中对光伏电池的输出特性进行分析。在历史发电数据和气象数据的基础上,深入分析影响光伏发电系统输出功率的相关因素。（2）针对现有的浅层网络预测模型,无法充分提取光伏输出功率序列中的深层特征,预测误差较大的问题,提出一种改进的PSO-DBN网络预测模型。将权重线性递减的策略和学习因子自适应的思想引入PSO算法中,对PSO算法进行改进。利用改进后的PSO算法对DBN网络的初始权值进行寻优,改善DBN网络初始权值随机性大、易陷入局部最优解的问题。（3）光伏输出功率和众多气象因素相关,按照天气类型分类建模的传统预测方法难以保证精确的预测结果。为改善模型的预测性能和缩短模型训练时间,本文提出基于相似日和和改进的PSO-DBN网络的预测方法,首先将原始数据按照广义天气类型进行划分,再综合除天气类型以外的多种因素选出与预测日具有高相似度的历史发电日集合,组成模型训练样本。由于相似日的输出功率序列与预测日相近,将其数据作为训练样本可提高预测模型的精度。（4）根据本文提出的预测方法,进行实际算例仿真验证,并和改进的PSO-BP模型、传统DBN模型、BP神经网络模型进行对比,充分验证了本文预测方法的可行性和有效性。
纪会争[6]（2020）在《风光储联合发电调度管理与效益评价研究》文中提出基于世界范围能源资源供给紧张的现状,以及我国风力发电和太阳能发电均具有地域性强、集中度高等特点,通过对相关理论观点的回顾和综述,介绍了风光储联合发电模式、功率预测方法。以及多目标决策理论的研究现状,提出对风、光、储能多模块机电功率预测研究、风光储联合发电调度管理、风光储联合发电综合效益评价的技术方法,寻求技术经济效益最优的解决策略,为风光储联合发电模式发展作出有益探索。本文主要研究成果和创新如下:（1）建立了基于模式分解（EMD）和粒子群优化支持向量机（PSO-SVM）的风电输出功率预测模型。风电功率的输出为非平稳时间序列,采用传统的回归算法、神经网络等预测模型往往得到的结果精度不高。针对这种非线性、非平稳的时间序列,首先,使用经验模式分解（EMD）将风电机组输出功率分解为多组具有不同尺度的时间序列;然后,分别对每组信号使用支持向量机（SVM）进行预测。（2）建立了基于聚类分析和熵权预测模型的光伏发电输出功率组合预测方法。对于光伏发电,由于其输出功率是非线性时间序列,其随机波动较强,而且具有明显的规律日重复性。针对这一特征,本文提出首先使用模糊聚类的方法,对光伏发电矩阵的输出功率进行日聚类,得到多组相似日的样本集合。然后使用基于熵权组合预测模型的预测方法对各组相似日进行训练。这种预测方法建立于对光伏发电矩阵的输出功率记性准确日聚类的基础之上,能够更好地捕捉不同气候条件下输出功率的规律特性,降低了预测模型的结构风险。（3）建立了风光储联合发电多目标跟踪计划出力调度模型。由于风光出力具有较强的随机性和模糊性,对风光储联合发电系统中出力调度优化是一种不确定性规划,本文从运行目标和经济性两个方面出发,建立了基于不确定规划的风光储联合发电多目标出力调度模型,结合蒙特卡罗模拟和灰色粒子群算法进行求解。最后,选取张北国家风光储输示范工程作为分析对象,分别建立了出力跟踪计划出力调度模型和计及经济性的多目标跟踪计划出力调度模型。在单目标调度模型中,提出了包含储能系统充放电功率控制系数和风光预测状态控制系数的出力系统控制策略,结果表明通过变化储能系统充放电控制系数不仅能够降低对储能系统的要求,还能将误差控制在合格范围内。在多目标调度模型中,通过对比单目标决策与多目标决策的结果可以发现,多目标优化调度模型能够在最大程度跟踪计划出力的基础上降低经济成本,实现经济利益的最大化。（4）建立了基于多维度效益的风光储联合发电综合效益评价模型。首先依据指标构建原则,开展多维度效益指标识别工作,确定了示范效益、电网效益、经济效益、社会效益四个层面的识别方向,构建了多维度多层级的风光储联合发电综合效益评价体系。最后,结合本文提出的基于多维度效益的风光储联合发电综合效益评价模型,利用张北国家风光储输示范工程项目数据,分别从实际数据和规划数据两个角度开展了测算工作,测算结果显示,张北国家风光储输示范工程综合效益达到了规划预期水平,整体水平良好,随着张北国家风光储输示范工程二期的陆续建设,风光储联合发电系统将进一步发展,在不断提高经济性的同时,增强系统友好型,不断促进新能源发电的发电比例,促进能源结构的不断优化发展。本文对风光储联合发电调度管理工作具有一定的参考作用。（5）对风光储联合发电系统的运行管理策略和产业发展政策建议进行了研究。从风光储系统并网与孤岛运行的角度介绍了风光储系统的运行管理策略,分析风光储联合发电产业的现存问题,结合能源互联网的发展理念,提出能源互联网下风光储联合发电系统的典型运行模式。最后,结合产业及政策要求,为风光储联合发电系统的未来发展提出了相关的政策建议。
雷冠军[7]（2020）在《基于数据融合的丰满水库长期径流预报研究》文中提出我国的水资源时空分布不均,气候变化和人类活动的影响导致旱涝灾害频发,成为制约经济发展的主要因素。河川径流在水循环系统中起着主导作用,而且极端径流会形成巨灾,径流预报对于防汛抗旱、水资源规划与管理等具有重要意义和价值。河川径流影响因子众多、变化特性复杂,基于成因分析法挖掘因子影响径流形成的规律是径流预报的关键。中长期径流预报预见期长、预报精度低,径流的形成机制尚不清晰,单一尺度因子的分析、单一统计预报方法的改进已不能进一步提高径流预报的精度,而且水文工作者不敢于报极值,中长期径流预报结果只能作为实际工作的参考。开展中长期径流预报理论和技术研究,融合多尺度因子和多方法的预报结果,进一步提高预报的精度和水平,能够为水库调度、水资源开发利用等工作提供支撑。本文以丰满水库流域的年径流为研究对象,选用天文、全球、流域尺度因子,分析挖掘因子与流域来水的相似性、遥相关性、可公度性、结构特性等规律,研究和改进智能学习法、模糊推理法、天文因子对比法、点聚图法、可公度法和可公度网络结构法等技术方法,建立了包含因子融合、结果融合、结构融合的多尺度因子信息融合的中长期径流预报模型。研究成果能够有效提高丰满水库流域径流和极端径流预报的精度,为丰满水库调度提供技术支持。具体研究成果如下:（1）运用统计分析法,挖掘三大尺度因子与流域来水丰枯特性的响应规律。结果表明,丰满水库流域来水的丰枯状态与ENSO事件的冷暖特性、ENSO事件的发生时间距离汛期的远近、基于农谚所选择的气象因子等具有较好的统计规律,且均能通过假设检验。基于线性相关系数法、互信息理论法、关联度分析法研究天文因子、气象因子、天文因子+海洋大气因子+气象因子与流域来水的相关性,结果表明,气象因子的相关性最强,海洋大气因子的相关性最弱,月球赤纬角与流域来水的关联度最大。（2）基于相关性分析所得的因子组合方案,运用神经网络、支持向量机、决策树、随机森林等智能学习方法,融合因子预报径流。结果表明,水量回归预报较差,3级分类预报较优;预报方法不同,方法所对应的最优因子及其组合不同,训练和预报性能均较优且稳健性强的方法为ELM、RBF神经网络。对多方法的最优分类预报结果进行融合,使得定性预报正确率达到89.5%。（3）运用相位对比法融合天文因子、海洋大气因子及其组合预报径流。结果表明,该方法的定量预报正确率为63.16%,24节气阴历日期+太阳黑子相对数的定性预报最优,正确率为63.16%。相位对比法对于极端来水年的丰枯属性识别能力较强,却难以有效预报出平水年,运用定量预报结果反推来水级别的正确率较低。相位对比法存在无法判别的年份,运用模糊推理法基于相关性分析所得的因子组合进一步分析计算因子的相似性,融合因子预报径流。引入TOPSIS模糊综合评判法、相似衍生法相似度、“因子进出法”等,对模糊推理法进行改进。结果表明,相似衍生法模糊推理法的稳健性优于Turksen模糊推理法,二者对径流的定量预报较差、定性预报较优,对其各自最优的定性预报结果进行融合,正确率达到73.68%。（4）采用“主次因子对比法”对单一天文因子对比法、分布式融合结构天文因子对比法进行改进,融合结果预报径流。研究得到能够提高预报精度的混合式融合结构天文因子对比法,定性预报正确率为63.16%。基于分析所得的海洋大气因子、气象因子与流域来水的遥相关规律修正预报结果,进一步改进天文因子对比法,使得预报正确率提高到 73.68%。（5）绘制三大尺度因子与流域来水的点聚图,融合结果预报径流。结果表明,24节气阴历日期和月球赤纬角点聚图具有较好的稳健性,太阳黑子相对数离散性较强难以准确划分其聚类区间,三大尺度因子点聚图的定性预报正确率分别为63.16%、57.89%、21.05%。将海洋大气因子、气象因子与来水丰枯的遥相关规律作为该类因子的点聚图进而得到径流预报结果,并与天文因子点聚图的预报结果进行融合,使得预报正确率提高到 73.68%。（6）将径流分为一般、极端、极值点结构,融合结构预报极端径流。结果表明,以因子融合、结果融合的预报结果作为一般来水结构能够融合多因子、多方法的信息,预报正确率为84.21%;点面结合法的改进与上下包线结构、智能学习分类以及传统点面结合法相比对于极端来水结构的预报精度较高,预报正确率为60%;通过细致划分丰枯水链、引入月球赤纬角对可公度网络结构法进行改进,能够增强方法的可操作性,降低基于极值点结构预报极端来水年高发期的不确定性;综合径流三大结构的预报结果,结合连续极端来水年的判定,预报极端来水的高发年,其中特丰水年、特枯水年的预报正确率分别为66.7%、80%。
胡小勇[8]（2020）在《太阳能热泵复合热水系统控制策略优化研究》文中认为在现如今化石能源消耗殆尽的大环境下,太阳能作为一种清洁可再生能源,具有巨大的发展潜力和经济价值。太阳能热水系统从出现发展至今,已形成较完善的一套系统,但太阳能热水器的弊端也逐渐显现,太阳辐射强度的不稳定和不可控,导致太阳能热水器有时不能满足热水要求。于是出现了以电加热和空气泵辅助加热为主的太阳能辅助加热系统。太阳能热水器与空气泵的协调工作一直是多年以来所研究的重点,由于太阳能不稳定和不可控的特点,导致热泵开启时间不合理造成资源浪费,所以本文着重对复合热水系统的加热控制策略进行了研究。首先,针对太阳辐射强度不可控的热点,本文利用小波神经网络和BP神经网络的混合神经网络对太阳能集热面辐射强度进行预测,运用相关性分析确定了网络输入和输出层的神经元个数,对太阳逐时辐射序列进行小波三层分解,将分解得到的分量分别作为网络的输入,并将各分量的预测值进行叠加得到太阳逐时辐射强度的预测值。其次,建立常规控制策略下的仿真模型进行仿真,得到全年平均太阳能集热量、集热效率和COP（Coefficient of Performance）等性能参数。最后根据常规控制策略下的集热效率、COP等数据对系统集热效率和COP进行表达式拟合,并利用太阳辐射预测值、太阳辐射实际值、集热效率和COP对热泵开启时间进行推迟及修正,建立节能控制策略下的仿真模型,仿真结果表明,比常规控制策略下的全年能耗减少了 10%,并且各项性能参数都有小幅提升。
张震勤[9]（2019）在《基于特征集构建和机器学习的建筑冷热负荷预测研究》文中研究说明由于人口的增长以及对室内舒适性的更高需求,建筑内的冷热负荷需求在逐渐增加。合理选择模型输入和有效使用模型预测算法是提高预测精度的关键。本研究以天津市某高校一栋综合办公教学楼的实测数据为基础,对比了多种特征工程方法对特征集进行构建,并利用深度学习算法和提升算法在优化后的特征集上,建立最优的超短期的冷热负荷预测模型。本文对比分析了6类共计10种特征工程方法构造的特征集,并利用深度学习算法DNN和提升算法Cat Boost在特征集上建立超短期的冷热负荷预测模型。其中在作者搜索范围内,本文是Cat Boost算法在建筑冷热负荷预测领域内的首次应用。考虑了冷热负荷延迟特性和不确定性因素对负荷的非线性扰动,将各变量的历史时刻值和波动值加入特征集。本文采用了相关性分析筛选和冷热负荷相关的参数;采用主成分分析构建模型输入参数的主成分,剔除多重共线性的影响;采用K-means聚类突出了建筑数据结构规律;采用5种滤波算法剔除噪声信号的影响;采用离散小波变换和经验模态分解,对冷热负荷数据进行了层次分解滤除噪声信号。分析得除PCA之外,其余方法都会不同程度的提升预测性能,实现了拟合优度99%左右的预测准确性。文章分析了各变量对冷热负荷预测的影响并给出排序。结果表明以照度为代表的室内变量在冷负荷预测中产生主要影响。以温度为代表的室内变量在以采取灵活运行调节策略的供暖模式下的热负荷预测中,对预测结果产生主要影响。针对冷热负荷预测分别规定了最严格和宽松的最小特征集区分的拟合优度的分界值,分析了算法在冷热负荷预测时对应的最小变量集。结果表明对于Cat Boost和DNN算法的冷热负荷预测,只需调研3类-5类变量就可以达到满足工程需要的预测精度。
李松[10]（2019）在《高斯过程混合模型在信息流与能量流多模态预测中的应用》文中研究指明流是自然界普遍存在的一种现象。信息流与能量流均为流的具体表现形式。常见的信息流有网络流量、交通流量等,常见的能量流有太阳辐射、潮汐、太阳黑子等。网络流量预测可以保障网络的流畅度;太阳辐射与潮汐预测是光伏发电和水力发电的基础;太阳黑子预测是保障航天器及通讯设备安全的前提。因此,对信息流与能量流预测具有重要现实意义。高斯过程混合（GPM）模型是机器学习领域近年发展起来的一种智能模型,由多个高斯过程（GP）通过门限函数组合而成,能对数据流的多模态特性进行细致描述。本文采用高斯过程混合模型对信息流与能量流数据进行多模态预测,不仅可以准确分析两种数据流的特征,还可以为后续数据流的变化趋势提供参考。主要研究工作如下:（1）高斯过程混合模型在信息流（网络流量）多模态预测中的应用基于网络流量的多模态特性,本文将GPM模型用于网络流量预测。首先对两段不同地区的网络流量序列进行特性分析,然后通过归一化和相空间重构后生成样本集并输入GPM模型。最后使用硬分类迭代学习算法,利用后验概率最大化,借助迭代实现样本集的最优分组,再通过似然函数完成模型参数学习。将GPM模型与支持向量机（SVM）,核回归（KR）,最小最大概率机回归（MPMR）和高斯过程（GP）等模型比较。通过对比均方根误差（RMSE）与判定系数（R2）评价指标,GPM模型的预测准确度要优于其它四种模型。说明GPM模型能够很好应用于网络流量预测,可以为网络管理者分配网络资源提供参考。（2）双核高斯过程混合模型在能量流（太阳辐射与潮汐发电数据）多模态预测中的应用由于GPM模型使用单个核函数时,预测准确度有时达不到最佳。因此本文采用多种核函数的GPM模型进行发电数据多模态预测。首先对两组发电数据进行特性分析。然后将平方指数（SE）、有理二次（RQ）与Matern三种核函数合并后形成新核函数并用于预测。对比七种不同核函数的GPM模型预测结果,发现采用SE与RQ组合后的双核函数的GPM模型最佳。然后在此核函数基础上,将GPM模型与传统学习模型比较,通过对比RMSE和R2等指标,采用SE与RQ组合核函数的GPM模型优于所有传统模型。说明双核高斯过程混合模型能够很好应用于发电数据预测,可以为电网运行提供参考与研究。（3）稀疏高斯过程混合模型在能量流（太阳黑子）多模态预测中的应用为了进一步降低训练时间复杂度,本文将稀疏高斯过程混合（SGPM）模型用于太阳黑子的多模态预测。其核心是用少量伪输入样本代替原始样本,从而缩短矩阵逆运算时间,提高训练速度。对太阳黑子序列进行特性分析后,将SGPM模型与采用Loo CV、Variational及硬分类迭代三种不同学习算法的GPM模型比较。通过对比RMSE、R2和训练时间（Time）,SGPM模型的预测准确度与采用硬分类迭代算法的GPM模型基本一致,但明显优于另外两种GPM模型。训练时间相比于采用硬分类迭代算法的GPM模型节约一半以上。表明SGPM模型能够很好应用于太阳黑子预测,可以为外层空间环境研究提供借鉴与参考。
二、小波分析在太阳辐射神经网络预测中的应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、小波分析在太阳辐射神经网络预测中的应用研究（论文提纲范文）
（1）基于深度学习的超短期太阳辐照度预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 术语说明 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 辐照度预测方法的分类 |
| 1.2.2 辐照度预测模型 |
| 1.2.3 国内研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 太阳辐照度的理论基础 |
| 2.1 基本概念 |
| 2.1.1 太阳能 |
| 2.1.2 太阳辐射 |
| 2.1.3 与太阳相关的重要参数 |
| 2.1.4 辐射能等相关术语 |
| 2.2 大气层外的太阳辐照度 |
| 2.2.1 太阳常数 |
| 2.2.2 大气质量 |
| 2.3 到达地表的太阳辐照度 |
| 2.3.1 大气的吸收 |
| 2.3.2 大气的散射 |
| 2.3.3 大气的反射 |
| 2.3.4 到达地表的太阳辐射强度 |
| 2.4 本章小结 |
| 第3章 常见的辐照度预测模型 |
| 3.1 持久性模型 |
| 3.2 气象参数模型 |
| 3.2.1 数值天气预报NWP模型 |
| 3.2.2 基于卫星图像和全天空成像图像的预测模型 |
| 3.3 统计模型 |
| 3.3.1 ARMA |
| 3.3.2 ARIMA |
| 3.3.3 指数平滑 |
| 3.4 机器学习模型 |
| 3.4.1 ANN |
| 3.4.2 SVM |
| 3.5 深度学习模型 |
| 3.5.1 卷积神经网络 |
| 3.5.2 循环神经网络 |
| 3.5.3 长短时记忆网络 |
| 3.6 混合模型 |
| 3.7 常用的评价指标 |
| 3.8 本章小结 |
| 第4章 基于门控循环单元和天气预报数据的24 小时辐照度预测研究 |
| 4.1 引言 |
| 4.2 数据分析 |
| 4.3 预测方法 |
| 4.3.1 GRU模型 |
| 4.3.2 基于GRU网络的辐照度预测 |
| 4.4 实验结果与讨论 |
| 4.4.1 与其他模型的对比 |
| 4.4.2 收敛速度对比分析 |
| 4.4.3 不同数据集上GRU和 LSTM结果对比 |
| 4.5 本章小结 |
| 第5章 基于小波变换和Elman网络的小时辐照度预测研究 |
| 5.1 引言 |
| 5.2 数据集及分析 |
| 5.3 WT-ENN方法 |
| 5.3.1 小波分解 |
| 5.3.2 Elman神经网络 |
| 5.3.3 混合WT-ENN方法 |
| 5.4 实验结果及分析 |
| 5.5 不同方法的对比研究 |
| 5.6 本章小结 |
| 第6章 基于CEEMDAN分解的CNN-LSTM网络预测小时辐照度 |
| 6.1 引言 |
| 6.2 模型设计 |
| 6.2.1 CEEMDAN方法 |
| 6.2.2 卷积神经网络 |
| 6.2.3 不同的CNN-LSTM网络输入结构 |
| 6.2.4 提出的CEEMDAN-CNN-LSTM模型 |
| 6.3 数据分析 |
| 6.4 实验结果与分析 |
| 6.4.1 不同CNN-LSTM结构结果的比较 |
| 6.4.2 不同预测方法结果的对比 |
| 6.4.3 不确定分析 |
| 6.5 本章小结 |
| 第7章 基于LSTM-MLP多分支结构的预测模型研究 |
| 7.1 基于LSTM的小时辐照度预测模型比较研究 |
| 7.1.1 LSTM-MLP双分支结构 |
| 7.1.2 数据分析 |
| 7.1.3 实验结果与分析 |
| 7.1.4 小结 |
| 7.2 WPD-CNN-LSTM-MLP混合深度学习模型预测辐照度 |
| 7.2.1 引言 |
| 7.2.2 模型设计 |
| 7.2.3 数据分析 |
| 7.2.4 实验结果 |
| 7.2.5 比较与分析 |
| 7.2.6 小结 |
| 第8章 总结与展望 |
| 8.1 研究工作总结 |
| 8.2 本文的创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文和研究成果 |
| 致谢 |
（2）基于小波神经网络与支持向量机的供热负荷预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究进展 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 存在的主要问题 |
| 1.4 本文主要研究内容 |
| 第2章 热负荷预测相关数据采集及预处理 |
| 2.1 影响因素分析 |
| 2.2 相关性分析 |
| 2.3 数据采集及预处理 |
| 2.3.1 输入参数选择 |
| 2.3.2 输入数据处理 |
| 2.4 评价指标 |
| 2.5 本章小结 |
| 第3章 基于小波神经网络的供热负荷预测方法研究 |
| 3.1 小波神经网络相关理论 |
| 3.1.1 BP神经网络 |
| 3.1.2 小波分析 |
| 3.1.3 小波神经网络 |
| 3.2 小波神经网络建模要素 |
| 3.2.1 隐含层节点 |
| 3.2.2 权值与阈值 |
| 3.3 遗传优化算法 |
| 3.3.1 遗传算法基本原理 |
| 3.3.2 遗传算法参数确定 |
| 3.4 优化前后小波神经网络预测模型构建 |
| 3.4.1 小波神经网络预测模型的构建 |
| 3.4.2 遗传算法优化的预测模型的构建 |
| 3.5 本章小结 |
| 第4章 基于支持向量机的供热负荷预测方法研究 |
| 4.1 支持向量机的方法及原理 |
| 4.2 支持向量机建模要素 |
| 4.2.1 核函数 |
| 4.2.2 其他相关参数 |
| 4.3 参数优化算法 |
| 4.3.1. 网格搜索法 |
| 4.3.2 粒子群优化算法 |
| 4.4 不同优化算法预测模型的构建 |
| 4.4.1 网格搜索算法下的支持向量机预测模型的构建 |
| 4.4.2 粒子群优化算法下的支持向量机预测模型的构建 |
| 4.4.3 遗传优化算法下的支持向量机预测模型的构建 |
| 4.5 不同数据类型下的支持向量机供热负荷预测研究 |
| 4.6 基于小波神经网络与基于支持向量机预测模型对比分析 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其他成果 |
| 致谢 |
（3）考虑光伏用户的馈线短期负荷预测研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 配电系统传统的馈线负荷预测方法 |
| 1.2.2 分布式光伏发电的负荷预测方法 |
| 1.3 本文主要研究内容 |
| 1.4 本文的章节安排 |
| 第二章 馈线负荷特征分析及数据预处理 |
| 2.1 馈线负荷特征分析 |
| 2.1.1 传统馈线负荷特征 |
| 2.1.2 光伏发电负荷特征 |
| 2.1.3 考虑光伏用户的馈线负荷特征 |
| 2.2 数据预处理 |
| 2.2.1 负荷异常数据的筛除 |
| 2.2.2 数据归一化处理 |
| 2.2.3 在传统馈线负荷中分解出受影响负荷 |
| 2.3 本章小结 |
| 第三章 考虑光伏用户的馈线短期负荷预测模型的建立 |
| 3.1 模型的数据来源 |
| 3.2 传统馈线短期负荷预测模块 |
| 3.2.1 影响传统馈线负荷的主要气象因素 |
| 3.2.2 GRNN神经网络算法的应用 |
| 3.3 光伏发电短期负荷预测模块 |
| 3.3.1 影响光伏发电负荷的主要气象因素 |
| 3.3.2 ELMAN神经网络算法的应用 |
| 3.4 预测流程 |
| 3.5 本章小结 |
| 第四章 实验结果分析 |
| 4.1 传统馈线短期负荷预测模块的算例分析 |
| 4.2 光伏发电短期负荷预测模块的算例分析 |
| 4.3 考虑光伏用户的馈线短期负荷预测模型的算例分析 |
| 4.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读学位期间发表的论文和参加科研情况 |
| 1 发表的论文及专利 |
| 2 参加科研情况 |
| 致谢 |
（4）基于机器学习算法的中短期太阳辐照度预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 太阳辐照度预测研究现状 |
| 1.2.1 持久性模型 |
| 1.2.2 物理模型 |
| 1.2.3 统计学模型 |
| 1.2.4 混合模型 |
| 1.3 本文主要研究工作 |
| 第2章 太阳辐射及其相关理论 |
| 2.1 太阳辐照度 |
| 2.1.1 太阳能、太阳辐射与太阳辐照度 |
| 2.1.2 到达地球表面的太阳辐射 |
| 2.1.3 太阳辐射的周期性特征 |
| 2.2 晴空辐照度模型 |
| 2.2.1 晴空辐照度相关的天文参数 |
| 2.2.2 晴空辐照度模型实现 |
| 2.3 太阳辐照度变化特性 |
| 2.3.1 影响太阳辐照度变化的因子 |
| 2.3.2 太阳辐照度变化特性分析 |
| 2.4 本章小结 |
| 第3章 基于传统机器学习算法的小时辐照度预测模型研究 |
| 3.1 传统机器学习相关理论 |
| 3.1.1 支持向量机 |
| 3.1.2 多层感知机 |
| 3.1.3 传统循环神经网络 |
| 3.2 数据预处理与模型优化 |
| 3.2.1 辐照度历史数据和气象数据来源与处理 |
| 3.2.2 预测模型结构与网络优化 |
| 3.3 预测模型使用的评价指标 |
| 3.4 实验与讨论 |
| 3.5 本章小结 |
| 第4章 基于天气预报数据和GRU网络的日前辐照度预测模型研究 |
| 4.1 长短期记忆网络以及门循环单元 |
| 4.2 数据来源 |
| 4.3 模型结构及优化 |
| 4.3.1 模型输入特征筛选 |
| 4.3.2 GRU预测模型结构 |
| 4.3.3 模型优化 |
| 4.3.4 模型调参 |
| 4.4 实验与讨论 |
| 4.4.1 GRU模型与基准算法的比较 |
| 4.4.2 GRU与 LSTM模型在不同数据集上预测性能的比较 |
| 4.4.3 GRU与 LSTM预测模型的收敛速度比较 |
| 4.4.4 GRU预测模型与其它相关工作比较 |
| 4.5 本章小结 |
| 第5章 基于深度学习理论的小时太阳辐照度预测模型研究 |
| 5.1 基于深度学习的混合预测模型 |
| 5.1.1 自适应噪声完整集成经验模态分解 |
| 5.1.2 卷积神经网络及其在时间序列数据中的应用 |
| 5.1.3 CNN-LSTM模型的实现 |
| 5.2 CEEMDAN-CNN-LSTM预测模型结构 |
| 5.3 实验与讨论 |
| 5.3.1 不同CEEMDAN-CNN-LSTM模型对比 |
| 5.3.2 CEEMDAN-CNN-LSTM与基准模型的性能比较 |
| 5.3.3 CEEMDAN-CNN-LSTM预测模型与其它相关工作比较 |
| 5.4 本章小结 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文和科研成果 |
| 致谢 |
（5）基于相似日和改进的PSO-DBN光伏出力短期预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 光伏出力预测的国内外研究现状 |
| 1.2.1 间接预测法 |
| 1.2.2 直接预测法 |
| 1.3 深度学习研究现状 |
| 1.4 本文主要内容与章节结构 |
| 1.4.1 本文主要研究内容 |
| 1.4.2 论文章节安排 |
| 第二章 光伏出力特性研究和数据预处理 |
| 2.1 光伏发电系统基本结构 |
| 2.2 光伏电池的输出特性 |
| 2.3 光伏发电系统出力的影响因素分析 |
| 2.4 数据预处理 |
| 2.4.1 数据准备和来源 |
| 2.4.2 原始数据预处理过程 |
| 2.4.3 数据归一化处理 |
| 2.5 本章小结 |
| 第三章 改进的PSO-DBN预测模型 |
| 3.1 DBN神经网络 |
| 3.1.1 受限玻尔兹曼机 |
| 3.1.2 连续的受限玻尔兹曼机 |
| 3.1.3 DBN网络训练 |
| 3.2 改进的粒子群优化算法 |
| 3.2.1 粒子群优化算法的基本原理 |
| 3.2.2 粒子群优化算法的参数分析 |
| 3.2.3 改进的粒子群优化算法 |
| 3.3 改进PSO-DBN预测模型的实现 |
| 3.4 本章小结 |
| 第四章 基于相似日和改进的PSO-DBN光伏出力短期预测 |
| 4.1 光伏出力短期预测方法流程 |
| 4.2 相似日理论概述 |
| 4.3 基于气象条件的相似日选取 |
| 4.3.1 构建气象特征向量 |
| 4.3.2 基于灰色关联度的相似度计算 |
| 4.3.3 筛选相似日 |
| 4.4 基于相似日和改进PSO-DBN预测方法的实现 |
| 4.4.1 预测模型的相关参数 |
| 4.4.2 确定模型训练样本 |
| 4.5 本章小结 |
| 第五章 光伏出力短期预测的实例分析 |
| 5.1 模型预测误差的评价指标 |
| 5.1.1 误差产生的原因 |
| 5.1.2 误差评价指标 |
| 5.2 对比模型概述 |
| 5.3 算例分析 |
| 5.3.1 A类广义天气类型预测结果及误差分析 |
| 5.3.2 B类广义天气类型预测结果及误差分析 |
| 5.3.3 C类广义天气类型预测结果及误差分析 |
| 5.3.4 未来三天预测结果及误差分析 |
| 5.3.5 预测模型综合评价 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士研究生期间的研究成果 |
（6）风光储联合发电调度管理与效益评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 新能源研究现状 |
| 1.2.2 风光储联合发电模式研究现状 |
| 1.2.3 新能源发电功率预测研究现状 |
| 1.2.4 多目标决策理论研究现状 |
| 1.2.5 风光储联合发电系统优化研究 |
| 1.2.6 含风光储发电的电力系统综合评价研究 |
| 1.3 主要研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究技术路线 |
| 1.3.3 主要创新点 |
| 1.4 本章小结 |
| 第2章 风光储联合发电调度管理与效益评价基础理论 |
| 2.1 新能源联合发电系统 |
| 2.1.1 新能源联合发电形式 |
| 2.1.2 系统设计和分析方法 |
| 2.2 新能源发电功率预测理论 |
| 2.3 多目标决策理论 |
| 2.4 效益评价理论 |
| 2.4.1 评价概念及流程 |
| 2.4.2 指标体系构建原则 |
| 2.4.3 评价指标预处理 |
| 2.4.4 指标权重确定方法 |
| 2.5 本章小结 |
| 第3章 风力与光伏发电功率预测 |
| 3.1 基于经验模式分解和支持向量机的风电功率预测模型研究 |
| 3.1.1 经验模式分解 |
| 3.1.2 粒子群优化的支持向量机模型 |
| 3.1.3 基于EMD-PSO-SVM的风电功率预测模型 |
| 3.1.4 算例分析 |
| 3.2 基于相似日模糊聚类的光伏发电功率组合预测模型研究 |
| 3.2.1 改进模糊聚类算法 |
| 3.2.2 熵权组合预测模型 |
| 3.2.3 基于模糊聚类的光伏发电功率熵权组合预测模型 |
| 3.2.4 算例分析 |
| 3.3 本章小结 |
| 第4章 计及经济性的风光储联合发电系统出力优化调度模型 |
| 4.1 不确定规划理论 |
| 4.1.1 不确定规划基础理论 |
| 4.1.2 不确定规划模型 |
| 4.1.3 不确定规划智能算法 |
| 4.2 风光储联合发电系统运行特性分析 |
| 4.2.1 风光出力特性分析 |
| 4.2.2 出力优化控制的目标 |
| 4.2.3 风光出力预测偏差的处理 |
| 4.3 风光储联合发电系统经济性分析 |
| 4.4 计及经济性的风光储联合发电多目标出力调度模型 |
| 4.4.1 目标函数 |
| 4.4.2 约束条件 |
| 4.4.3 模型求解 |
| 4.5 算例分析 |
| 4.5.1 跟踪计划出力调度模型 |
| 4.5.2 计及经济性的多目标跟踪计划出力调度模型计算 |
| 4.5.3 结果分析 |
| 4.6 本章小结 |
| 第5章 风光储联合发电综合效益评价 |
| 5.1 评价指标构建原则 |
| 5.1.1 结合风光储自身特点的指标构建准则 |
| 5.1.2 评价指标筛选办法 |
| 5.2 风光储联合发电系统评价指标体系 |
| 5.2.1 示范效益 |
| 5.2.2 电网效益 |
| 5.2.3 经济效益 |
| 5.2.4 社会效益 |
| 5.2.5 评价指标体系层次结构 |
| 5.3 基于价值权重和影响权重的组合权重确定 |
| 5.4 综合效益评价 |
| 5.4.1 风光储联合发电综合效益模糊评价模型 |
| 5.4.2 实例测算结果分析 |
| 5.5 本章小结 |
| 第6章 风光储调度管理对策研究 |
| 6.1 风光储并网运行管理研究 |
| 6.1.1 运行方式分析 |
| 6.1.2 风光储并网运行管理策略 |
| 6.1.3 风光储孤岛运行管理策略 |
| 6.1.4 运行模式切换策略研究 |
| 6.2 储能产业发展的管理建议 |
| 6.2.1 产业发展问题分析 |
| 6.2.2 能源互联网发展下风光储联合系统典型应用模式 |
| 6.2.3 风光储联合系统未来发展的政策建议 |
| 6.3 本章小结 |
| 第7章 研究成果与结论 |
| 7.1 研究成果 |
| 7.2 结论 |
| 第8章 附表 |
| 8.1 附表1 风光储联合发电综合效益评价指标体系 |
| 8.2 附表2 基于价值权重和影响权重的组合权重确定表 |
| 8.3 附表3 指标评价体系的级别划分规则与相关标准 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（7）基于数据融合的丰满水库长期径流预报研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和目标 |
| 1.1.1 研究背景 |
| 1.1.2 研究目标 |
| 1.2 国内外研究进展 |
| 1.2.1 三大尺度因子径流预报研究 |
| 1.2.2 因子相关性分析 |
| 1.2.3 传统统计预报模型 |
| 1.2.4 现代水文预报模型 |
| 1.2.5 研究进展的总结 |
| 1.3 本文研究介绍 |
| 1.3.1 研究问题 |
| 1.3.2 研究方法 |
| 1.3.3 研究内容 |
| 1.3.4 技术路线图 |
| 第二章 径流预报技术的系统分析 |
| 2.1 来水丰枯的影响机理 |
| 2.1.1 热量与引力作用 |
| 2.1.2 地形和海陆分布作用 |
| 2.2 来水预报基于的基本特性 |
| 2.2.1 周期性 |
| 2.2.2 有序性 |
| 2.2.3 遥相关性 |
| 2.2.4 结构特性 |
| 2.3 来水与极端来水预报的思路 |
| 2.3.1 预报因子基于空间尺度的分类 |
| 2.3.2 预报因子基于时间尺度的分类 |
| 2.3.3 预报值基于预报特征的分类 |
| 2.3.4 基于信息融合的流域来水预报 |
| 2.4 研究流域分析 |
| 2.4.1 流域介绍 |
| 2.4.2 流域丰枯机理 |
| 2.5 小结 |
| 第三章 三大尺度因子与径流的统计分析 |
| 3.1 天文尺度因子相位与流域来水规律分析 |
| 3.1.1 太阳黑子相对数 |
| 3.1.2 月球赤纬角 |
| 3.1.3 24节气阴历日期 |
| 3.2 全球尺度因子相位与流域来水规律分析 |
| 3.2.1 ENSO事件的发生与结束时间与流域来水丰枯的关系 |
| 3.2.2 ENSO事件特征值与流域来水丰枯的关系 |
| 3.3 流域尺度因子相位与流域来水规律分析 |
| 3.3.1 谚语机理分析 |
| 3.3.2 气象因子与来水属性级别统计分析 |
| 3.4 因子数值与流域来水统计分析方法 |
| 3.4.1 基础数据处理 |
| 3.4.2 相关性分析的方法 |
| 3.5 因子相关性分析结果 |
| 3.5.1 天文因子相关性分析 |
| 3.5.2 气象因子相关性分析 |
| 3.5.3 天文因子+海洋大气因子+气象因子相关性分析 |
| 3.6 结果分析 |
| 3.6.1 因子相位与流域来水规律 |
| 3.6.2 因子数值与流域来水相关性 |
| 3.7 小结 |
| 第四章 基于智能学习的预报因子融合的径流预报 |
| 4.1 预报方法 |
| 4.1.1 神经网络 |
| 4.1.2 决策树和随机森林 |
| 4.1.3 支持向量机 |
| 4.2 数据处理的方法 |
| 4.2.1 预报因子的处理 |
| 4.2.2 预报值的处理 |
| 4.2.3 预报值的评判指标 |
| 4.2.4 模型和因子优选的TOPSIS-模糊综合评判法 |
| 4.3 建模预报 |
| 4.4 结果统计分析 |
| 4.4.1 流域水量回归预报结果分析 |
| 4.4.2 流域来水量7级分类预报结果分析 |
| 4.4.3 流域来水量3级分类预报结果分析 |
| 4.4.4 33个因子方案分析 |
| 4.4.5 预报结果的最优方案 |
| 4.4.6 最优方案的预报结果分析 |
| 4.5 小结 |
| 第五章 基于相似性分析的预报因子融合的径流预报 |
| 5.1 相位对比法 |
| 5.1.1 基本原理 |
| 5.1.2 预报结果分析 |
| 5.2 相似模糊推理法 |
| 5.2.1 模糊推理法的基本原理 |
| 5.2.2 相似度的计算方法 |
| 5.2.3 主成分分析法计算权重 |
| 5.2.4 TOPSIS-模糊综合评判法优选最优模型 |
| 5.2.5 预报模型的建立 |
| 5.3 模糊推理法预报 |
| 5.3.1 因子组合分析 |
| 5.3.2 误差评定与优选判别 |
| 5.4 模糊推理法因子二次筛选 |
| 5.4.1 因子进出法寻优 |
| 5.4.2 因子进出法实例分析 |
| 5.5 模糊推理法预报结果 |
| 5.6 结果分析 |
| 5.7 小结 |
| 第六章 基于天文因子对比法的预报结果融合的径流预报 |
| 6.1 天文因子对比法机理分析 |
| 6.2 预报方法1-单一天文因子对比法 |
| 6.2.1 24节气阴历日期对比法 |
| 6.2.2 太阳黑子相对数对比法 |
| 6.2.3 月球赤纬角对比法 |
| 6.3 预报方法2-天文因子对比法预报结果的融合 |
| 6.3.1 天文因子预报结果的线性融合 |
| 6.3.2 天文因子融合法-主次因子对比法 |
| 6.3.3 天文因子融合法的修正 |
| 6.3.4 天文因子融合法定量预报 |
| 6.4 小结 |
| 第七章 基于点聚图法的预报结果融合的径流预报 |
| 7.1 点聚图法 |
| 7.1.1 点聚图的制作 |
| 7.1.2 预报方案 |
| 7.2 24节气阴历日期点聚图预报 |
| 7.2.1 极端来水年24节气阴历日期的聚类特性 |
| 7.2.2 24节气阴历日期聚类预报方法 |
| 7.2.3 24节气阴历日期聚类分析建模 |
| 7.2.4 基于聚类分析的来水预报 |
| 7.3 月球赤纬角和太阳黑子相对数点聚图预报 |
| 7.3.1 月球赤纬角聚类预报方法 |
| 7.3.2 太阳黑子相对数聚类预报方法 |
| 7.4 海洋大气因子与流域气象因子点聚图预报 |
| 7.5 多尺度因子点聚图预报结果融合 |
| 7.6 小结 |
| 第八章 基于来水结构融合的极端径流预报 |
| 8.1 基本定义 |
| 8.2 预报方法 |
| 8.2.1 一般来水结构预报-多方法预报结果融合 |
| 8.2.2 极端来水结构预报 |
| 8.2.3 基于改进可公度网络结构的极值点结构预报 |
| 8.2.4 极端来水年预报 |
| 8.3 实例应用 |
| 8.3.1 一般来水结构分析 |
| 8.3.2 极端来水结构分析 |
| 8.3.3 极值点结构的确定及极端来水年预报分析 |
| 8.3.4 连续极端来水年预报分析 |
| 8.4 讨论 |
| 8.5 小结 |
| 第九章 结论与展望 |
| 9.1 结论 |
| 9.2 展望 |
| 9.3 创新性 |
| 附表 |
| 参考文献 |
| 科研及发表论文情况 |
| 致谢 |
（8）太阳能热泵复合热水系统控制策略优化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 太阳能热泵复合热水系统研究现状 |
| 1.2.1 复合热水系统国外研究现状 |
| 1.2.2 复合热水系统国内研究现状 |
| 1.3 太阳辐射预测技术研究现状 |
| 1.3.1 太阳辐射预测技术国外研究现状 |
| 1.3.2 太阳辐射预测技术国内研究现状 |
| 1.4 研究内容、方法与框架 |
| 1.5 本章小结 |
| 第2章 太阳能热泵复合热水系统的数学模型及设计 |
| 2.1 系统基本理论 |
| 2.1.1 系统结构与原理 |
| 2.1.2 系统的运行模式 |
| 2.1.3 系统控制策略 |
| 2.2 太阳能集热单元的数学模型 |
| 2.2.1 太阳角的计算 |
| 2.2.2 太阳辐射强度的计算 |
| 2.2.3 平板型太阳能集热器热损失与集热量计算 |
| 2.2.4 集热效率的计算 |
| 2.3 热泵单元的数学模型 |
| 2.3.1 热泵制热性能系数 |
| 2.3.2 压缩机模型 |
| 2.3.3 蒸发器模型 |
| 2.3.4 冷凝器模型 |
| 2.4 太阳能保证率及系统单位热水能耗的计算 |
| 2.5 系统设计 |
| 2.5.1 确定集热器集热面积和安装倾角 |
| 2.5.2 热泵设计小时供热量 |
| 2.5.3 水箱体积 |
| 2.6 本章小结 |
| 第3章 太阳辐射预测方法理论与实践研究 |
| 3.1 BP神经网络理论与方法简介 |
| 3.1.1 BP神经网络模型 |
| 3.1.2 BP网络的学习 |
| 3.1.3 BP神经网络的局限性 |
| 3.1.4 BP网络学习算法的选择 |
| 3.2 小波神经网络理论与方法简介 |
| 3.2.1 小波变换 |
| 3.2.2 多分辨率分析和Mallat算法 |
| 3.2.3 常用小波介绍 |
| 3.2.4 小波神经网络模型 |
| 3.3 基于小波分解辐射强度预测方法介绍 |
| 3.3.1 相关性分析理论 |
| 3.3.2 太阳逐时辐射强度历史数据小波预分解 |
| 3.3.3 小波分解-神经网络预测模型 |
| 3.4 基于杭州气象数据的太阳辐射强度预测方法对比研究 |
| 3.4.1 相关性分析 |
| 3.4.2 数据的归一化 |
| 3.4.3 评价指标 |
| 3.4.4 BP神经网络预测结果 |
| 3.4.5 小波神经网络预测结果 |
| 3.4.6 小波分解-神经网络预测结果 |
| 3.4.7 预测结果对比 |
| 3.5 本章小结 |
| 第4章 系统热泵COP及集热器效率与热损失率研究 |
| 4.1 TRNSYS简介及部件介绍 |
| 4.1.1 TRNSYS简介 |
| 4.1.2 系统部件 |
| 4.2 系统要求及参数确定 |
| 4.2.1 系统要求 |
| 4.2.2 系统参数确定 |
| 4.3 常规加热控制策略 |
| 4.3.1 太阳能子系统控制策略 |
| 4.3.2 空气源热泵子系统常规控制策略 |
| 4.4 常规控制策略下系统仿真模型 |
| 4.5 常规控制策略下系统性能分析 |
| 4.6 本章小结 |
| 第5章 复合热水系统节能加热控制策略研究 |
| 5.1 节能加热控制策略 |
| 5.1.1 热泵制热功率的拟合 |
| 5.1.2 热泵初始设置开启时间的确定 |
| 5.1.3 集热器集热效率的拟合 |
| 5.1.4 热泵推迟开启时刻的确定 |
| 5.1.5 热泵推迟开启时刻的修正 |
| 5.2 节能控制策略下系统仿真模型 |
| 5.3 不同控制策略下复合系统的性能对比 |
| 5.3.1 太阳能单元集热量与集热效率对比 |
| 5.3.2 太阳能保证率对比 |
| 5.3.3 耗电量和单位热水能耗对比 |
| 5.3.4 热损失率对比 |
| 5.3.5 热泵COP对比 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果和参加的科研项目 |
| 致谢 |
（9）基于特征集构建和机器学习的建筑冷热负荷预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 负荷预测模型的输入特征集 |
| 1.2.2 负荷模型的算法 |
| 1.3 研究的目的和意义 |
| 1.4 研究内容 |
| 第2章 超短期负荷预测模型的研究和设计 |
| 2.1 特征集构建 |
| 2.2 特征工程 |
| 2.2.1 相关性分析CA |
| 2.2.2 主成分分析PCA |
| 2.2.3 K-means聚类 |
| 2.2.4 滤波算法 |
| 2.2.5 离散小波变换DWT |
| 2.2.6 经验模态分解EMD |
| 2.3 预测算法 |
| 2.3.1 Cat Boost算法 |
| 2.3.2 DNN算法 |
| 2.4 评价指标 |
| 2.5 本章小结 |
| 第3章 案例建筑基本信息及调研测试 |
| 3.1 测试目的 |
| 3.2 案例建筑基本信息 |
| 3.3 调研工作内容 |
| 3.4 测试仪器 |
| 3.5 调研周期和间隔 |
| 3.6 本章小结 |
| 第4章 超短期热负荷预测模型开发 |
| 4.1 超短期热负荷预测模型输入特征集 |
| 4.2 特征集构造技术对预测精度的影响 |
| 4.3 变量对热负荷影响程度的分析 |
| 4.4 算法对应的最小特征集 |
| 4.5 本章小结 |
| 第5章 超短期冷负荷预测模型开发 |
| 5.1 超短期冷负荷预测模型输入特征集 |
| 5.2 特征集构造技术对预测精度的影响 |
| 5.3 变量对冷负荷影响程度的分析 |
| 5.4 算法对应的最小特征集 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）高斯过程混合模型在信息流与能量流多模态预测中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 信息流与能量流数据预测研究现状及趋势 |
| 1.2.2 高斯过程模型研究现状及趋势 |
| 1.2.3 高斯过程混合模型研究现状及趋势 |
| 1.3 本文主要研究内容与章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 全文章节安排 |
| 第二章 高斯过程混合模型及预测原理 |
| 2.1 基于相空间重构的预测方法 |
| 2.2 高斯过程模型原理简述 |
| 2.3 高斯过程混合模型原理简述 |
| 2.4 高斯过程混合模型常用学习算法简述 |
| 2.5 本章小结 |
| 第三章 高斯过程混合模型在信息流(网络流量)多模态预测中的应用 |
| 3.1 信息流(网络流量)预测的研究意义及现状 |
| 3.2 高斯过程混合模型的硬分类迭代学习算法原理 |
| 3.3 信息流(网络流量)来源及预测分析 |
| 3.4 网络流量预处理及预测评价指标 |
| 3.5 信息流(网络流量)预测实验结果及比较 |
| 3.5.1 网络流量一的多模态预测 |
| 3.5.2 网络流量二的多模态预测 |
| 3.6 本章小结 |
| 第四章 双核高斯过程混合模型在能量流(发电数据)多模态预测中的应用 |
| 4.1 能量流(发电数据)预测的研究意义及现状 |
| 4.2 核函数的原理简述与选择 |
| 4.3 能量流(发电数据)来源及预测分析 |
| 4.4 能量流(发电数据)预测实验结果及比较 |
| 4.4.1 太阳辐射的多模态预测 |
| 4.4.2 潮汐的多模态预测 |
| 4.5 本章小结 |
| 第五章 稀疏高斯过程混合模型在能量流(太阳黑子)多模态预测中的应用 |
| 5.1 能量流(太阳黑子)预测的研究意义及现状 |
| 5.2 采用稀疏策略的高斯过程混合模型原理简述 |
| 5.3 能量流(太阳黑子)来源及预测分析 |
| 5.4 能量流(太阳黑子)预测实验结果及比较 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文结论 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
四、小波分析在太阳辐射神经网络预测中的应用研究（论文参考文献）
- [1]基于深度学习的超短期太阳辐照度预测模型研究[D]. 黄小乔. 云南师范大学, 2021(09)
- [2]基于小波神经网络与支持向量机的供热负荷预测方法研究[D]. 刘也. 东北电力大学, 2020(01)
- [3]考虑光伏用户的馈线短期负荷预测研究[D]. 刘欢欢. 广东工业大学, 2020(06)
- [4]基于机器学习算法的中短期太阳辐照度预测研究[D]. 高碧轩. 云南师范大学, 2020(01)
- [5]基于相似日和改进的PSO-DBN光伏出力短期预测[D]. 梁彩霞. 江苏大学, 2020(02)
- [6]风光储联合发电调度管理与效益评价研究[D]. 纪会争. 华北电力大学(北京), 2020(06)
- [7]基于数据融合的丰满水库长期径流预报研究[D]. 雷冠军. 中国水利水电科学研究院, 2020(04)
- [8]太阳能热泵复合热水系统控制策略优化研究[D]. 胡小勇. 浙江理工大学, 2020(02)
- [9]基于特征集构建和机器学习的建筑冷热负荷预测研究[D]. 张震勤. 天津大学, 2019(01)
- [10]高斯过程混合模型在信息流与能量流多模态预测中的应用[D]. 李松. 河北工业大学, 2019