一、基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法（论文文献综述）
段绰[1]（2021）在《基于核极限学习机的边坡位移预测研究》文中进行了进一步梳理近年来边坡位移形变的事故猛烈增加,对人民的生命财产安全造成了很大的影响,针对边坡进行变形监测以及预测其未来变形趋势变得尤为重要。但是边坡位移数据曲线具有很高的非线性和复杂性,传统的预测方法存在很多不足,因此具有强大的非线性学习能力的机器学习算法被引入至边坡变形预测中。在众多的机器学习算法中,核极限学习机以其运行速度快、泛化能力强等优点,被广泛应用在边坡变形预测中,并取得较好的结果。因此本文主要采用KELM算法对边坡位移序列进行预测研究。主要研究内容包括:（1）首先分析总结了边坡变形的相关知识,在介绍边坡监测系统的基础上,选取了2019年6月至2020年7月某实际边坡位移数据为具体研究对象,对采集得到的数据进行了异常点修正、缺失数据补充等预处理,为后续建立边坡位移预测模型提供数据支撑。（2）针对边坡位移序列具有混沌特性,采用了相空间重构的方法对边坡位移序列进行了重构,使模型可以在相空间中进行建立和预测。针对相空间重构中的嵌入维数和核极限学习机的惩罚函数和核函数这三个数值难以选取,采用了鸟群算法对其进行参数寻优,最终建立了BSA-KELM预测模型。（3）原始的边坡位移数据为非平稳非线性信号,其突变性和随机性均会降低预测的精度。采用了变分模态分解技术将原始的位移序列分解为多组子分量,从而降低数据的非线性和提取数据的细节特征,之后再对各个分量分别构建BSA-KELM预测模型进行预测。结合实际数据,证明了该方法提高了预测精度。（4）针对现有的单步预测模型提供信息不足的情况,建立了递归多步和多输出多步两种预测模型。结合实际数据对其进行了未来六步的多步预测,结果表明当训练数据样本较少时,递归多步模型的精度要优于多输出模型,当训练数据样本充足时,多输出模型精度要高。
王凯[2]（2021）在《风电场短期风速及风功率预测研究》文中研究说明随着社会水平的提高,能源危机日益严重。风能作为目前最具开发潜力的可再生能源被人们广泛的关注。但是由于风具有不确定性和非平稳性,导致风电并网运行是会对电力系统的调度和稳定性造成严重影响。提高风速及风功率的预测精度有助于降低风电接入电网产生的影响以及提高电力系统稳定运行的有效途径。因此,本文基于风电场的历史数据对风速及风功率预测进行研究,主要内容如下:（1）鉴于传统风速预测方法带有人为主观性,本文深入挖掘风速时间序列的动力学特性。根据混沌时间序列的关联维数和最大Lyapunov指数这两种判别方法对风速时间序列的混沌特征识别,然后结合自适应噪声的完全集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）与递归理论对风速时间序列进行多尺度递归分析。为了减少计算量,运用样本熵（sample entropy,SE）计算分量的熵值并按照熵值的相似性及接近程度对分量进行重组。通过对风速时间序列的相图、递归图和递归定量分析表明,原始风速时间序列经过CEEMDAN分解重组后得到的各个分量依然具有混沌特征,分解后的各分量的确定性和平稳性都比原始风速时间序列得到了提高,为后续结合混沌相关理论构建风电场风速预测模型奠定了理论基础。（2）为了进一步降低由于输入数据的维数而引起的风速预测误差,提出一种结合自适应噪声的完全集合经验模态分解、相空间重构和门控循环神经网络的短期风速组合预测模型。首先,采用CEEMDAN方法将风速数据分解为相对平稳的本征模态函数分量;其次,运用SE计算分量的熵值并按照熵值的相似性及接近程度对分量进行重组以减少计算量;然后,利用相空间重构方法求各新分量的输入维数和延迟时间以优选预测的最佳输入集;最后,基于门控循环神经网络（Grated Recurrent Unit,GRU）方法来预测重构后每个新分量的风速值,将所有新分量的预测结果叠加得到最终的预测结果。实验证明,文中提出的组合预测模型有效地提高风速预测的精度。（3）根据风电场历史风速和风功率数据寻找风速与风功率的关系进行间接短期风功率预测时一般采用功率曲线和神经网络这两种方法,其中,神经网络方法的预测效果较为理想。因此提出一种基于Elman-Adaboost神经网络的风功率预测模型。首先为了能真实的反映风机性能,针对风电场历史风速和风功率数据中存在较多异常数据,采用变点分组-四分位法对数据进行清洗;然后对清洗后的风速和风功率数据采用Elman-Adaboost神经网络模型进行训练,最后,将CEEMDANPSR-GRU模型预测出的风速值导入训练好的Elman-Adaboost神经网络模型中实现风功率预测。通过与BP神经网络和Elman神经网络对比,实验表明,ElmanAdaboost神经网络模型的风功率预测精度最高。
武昭旭[3]（2020）在《基于深度学习的电能质量扰动识别》文中提出目前,随着电力领域中各种新技术的高速发展,电网中的电力来源和电力负荷日益增加,对电能质量产生了一定的影响。因此,电网中的各种电力电子设备和电力用户均对电能质量提出了更高的要求,为了控制和改善电能质量,首先需要精确的对电能质量扰动识别。本文首先阐述了电能质量扰动的研究背景和研究意义,分析了目前国内外普遍使用的电能质量扰动识别方法,介绍了电能质量在不同情况下的定义、标准以及不同分类条件下各种类型扰动的产生原因、具体特点和后果,建立了扰动信号的数学模型并在MATLAB中生成研究所需要的扰动信号样本数据。其次,对比了压缩感知算法与传统信号采样算法的采样与压缩效果,介绍了压缩感知算法的具体实现步骤,通过选取合适的稀疏变换基、测量矩阵和重构算法对本文所研究的扰动信号进行压缩感知,获取不同扰动信号的稀疏向量和重构信号。分析了一维卷积神经网络的网络结构,介绍了神经元的基本结构、卷积和池化的具体操作步骤,以及神经网络的训练过程。针对电能质量扰动信号的稀疏向量,在Tensorflow/keras中建立基于一维卷积神经网络的分类模型,输入扰动信号的稀疏向量,训练模型,实现对扰动的识别。最后介绍了相空间重构的实现过程以及延迟时间和嵌入维数的选取方法,根据电能质量扰动信号的特点,确定延迟时间和嵌入维数的取值。分析了建立在相空间重构基础上的递归图算法的基本原理和评价参数,研究了扰动数学模型中的时间、幅值参数对递归轨迹图的作用,二者相互影响最终决定的特征区域可以用于区分不同类型的扰动信号。并且对比了传统循环神经网络和长短时记忆神经网络的区别,分析了网络的权值参数学习算法,对于电能质量扰动信号的递归图,在Tensorflow/keras中建立基于长短时记忆神经网络的分类模型,将扰动信号对应的递归图输入模型,通过训练分类模型,实现对不同类型扰动信号的识别。图[24]表[8]参[83]
徐杰[4]（2020）在《基于改进型回声状态网络的电力负荷预测研究》文中研究表明电力的稳定供应是人民生活、工厂运转和农业生产的基础,精确的电力预测有助于电力企业调节发电量,保持供需关系平衡,有利于人民生活正常平稳和工业生产安全有序,同时也是电网自动化管理的重要组成部分,因此研究精度高、性能优的电力负荷预测模型影响深远。近年来,人工神经网络因为其出色的预测性能成为重要的研究方向,其中,回声状态网络（Echo State Network,ESN）改进了传统递归神经网络的中间层,解决了递归神经网络容易过拟合的问题并降低了算法的复杂度。因为其优异的性能,ESN模型迅速成为最热门的时间序列预测研究方向之一。但是,面对电力负荷数据非线性、非平稳、易突变的特性,经典ESN已经不能满足电力负荷预测精度的要求。鉴于此,本文从ESN模型的扩展和储备池改进两个角度入手,研究基于改进型回声状态网络的电力负荷预测方法,主要研究工作包括以下三点:（1）针对电力负荷多步预测问题,提出了相空间重构回声状态网络（PSR-ESN）模型,用于电压多步预测方法。该方法通过重构相空间拟合非线性电压数据,在此基础上,以加权平均的方式融合直接多步预测结果和迭代多步预测结果。实验表明,与直接多步预测和迭代多步预测相比,该方法预测精度提升了10%至50%。（2）针对电力负荷多时间层次的特点,提出了多储备池回声状态网络（MESN）模型来获取电力数据的多层次特征。该模型由多时间层次编码器和卷积解码器构成,其中编码器由多个具有不同时间跨度的储备池组成,将低维数据映射到高维空间,多储备池结构将时间序列的历史信息编码到各自的回声状态向量中;卷积解码器由卷积层和全连接层构成,卷积层提取回声状态向量中的特征,全连接层组合所有特征值获得模型输出。该模型由于具有无需训练的储备池和简单的卷积层,所以运算效率高。（3）通过扬州地区12个月的电力负荷预测实验,表明多储备池回声状态网络可以有效提取电力负荷数据的多时间层次特征和时间依赖关系,性能优于现有算法。通过可视化分析,表明该模型具有短期记忆能力和处理复杂非线性电力负荷数据的能力。
李景良[5]（2020）在《航班运行风险数值化评估与预测研究》文中认为航班运行风险评估与预测是提升航班运行安全水平、提高航空公司安全保障能力的关键,如何实现准确、有效、可行的航班运行风险评估和预测是航空公司风险管控工作关注的重点问题。为了解决上述问题,结合某航空公司2016～2018共1096天的航班运行风险数据,研究了航班运行风险评估模型和预测模型的构建方法。首先,阐述了航班运行风险的理论基础,提出了航班运行风险指标体系。然后,依据机器学习算法中的随机森林、支持向量机和神经网络算法,构建了航班运行风险评估模型。结果表明,以上3种机器学习算法的风险评估准确率分别为96.94%、94.90%和92.86%,而对于高风险值的样本,查准率和查全率均大于93%,说明模型在航班运行风险评估工作具有实质性作用。接着,在识别航班运行风险时间序列的混沌特征基础上,构建基于极端学习机（ELM）的航班运行风险混沌预测模型,并使用基于集成经验模态分解（EEMD）方法进行改进,按照改进预测方式的不同,分别进行了阈值降噪处理和信息扩散处理。结果表明,由EEMD阈值降噪处理后,预测未来1天的修正MAPE值降至20.88%,在改进前后不同预测方式中误差最小,预测结果具有实际参考意义;但预测第2天以上的修正MAPE值均大于25%,说明该模型的短期预测能力不足。最后,建立了基于多变量混沌时间序列的风险短期预测模型,并使用主成分分析（PCA）进行改进,采用了极限学习机、RBF神经网络、回声状态网络和Elman神经网络4种方法进行风险预测。结果表明,PCA-RBF预测模型效果最佳,修正MAPE值仅为11.32%,至第3天仍低于15%,说明预测未来3天的结果均可满足航空公司实践操作要求。从预测精度和周期两个角度综合评判,多变量时间序列方法对航班运行风险的短期预测可行且有效。本文对航班运行风险评估与预测问题进行了较为全面、系统的研究,提出的模型可行、有效、且具有实质性作用,完善了民航安全风险评估与预测的理论和方法。
范锦谕[6]（2020）在《基于深度学习算法的含风电场区域的等效负荷短期预测》文中认为电力负荷预测是电力系统中不可缺少的重要环节,对于电力系统的稳定运行、经济节能有着巨大作用。新形势下,随着风电并网容量的逐年上升,风力发电的波动性和间歇性对电力系统的电压和频率造成了很大的干扰。同时,风电功率波动与电力负荷波动的不同步性,使得含风电场区域的负荷预测与系统调度面临更多的挑战。因此,通过引入含风电场区域等效负荷的概念,对计及风电并网的等效负荷预测对于电网的稳定经济运行有重要作用。在此背景下,本文提出了基于改进回声状态网络的电力负荷预测模型,以及基于三维卷积-门控循环单元网络的风电功率预测模型,进而搭建了含风电场区域等效负荷预测模型。针对电力负荷预测任务,提出了强健回声状态网络模型。回声状态网络兼具较好的预测能力和算力成本较低的优点,但同时存在训练不稳定、初始化困难和存在过拟合问题的缺点。通过研究分析,使用相空间重构理论优化了网络的初始化和训练过程,同时提出了三种回声状态网络正则化算法改善模型训练速度及过拟合问题。最后,为了满足更鲁棒的电力负荷预测要求,将回声状态网络与分位数回归结合,推导得到了回声状态分位数回归网络以实现电力负荷概率预测。针对风电功率预测任务,提出了基于变分模态分解的三维卷积-门控循环单元网络作为风电功率短期预测模型。该模型首先使用变分模态分解将风电功率和风速时间序列分解为多个各模态分量,接着将模态分量重构为三维特征图序列后使用精细设计的三维卷积-门控循环单元网络完成预测。最后,基于所提出的电力负荷预测模型和风电功率预测模型搭建了等效负荷预测模型,通过算例仿真与多种模型对比验证了所提出模型的有效性。
范玉权[7]（2020）在《基于深度学习神经网络的电力短期负荷预测方法研究》文中研究指明短期电力负荷预测不仅是电力系统调度的关键环节,也是用电营销、电网规划以及其他管理部门的重要工作之一;深度学习是近年得到广泛重视的人工智能方法;本文选择了深度学习递归神经网络最有典型意义的三种模型,旨在研究它们用于短期电力负荷预测的模型性能,包括电力负荷数据预处理,预测模型特征选择,模型参数确定,浅层网络到深层网络的预测特性对比等,以探索和证明深度学习神经网络在短期电力负荷预测的适用性,最终提高短期负荷预测的准确性。本文所做的工作以及到的研究成果创新如下:首先,分析了电力系统短期负荷预测国内外的研究现状,分析了现有的电力系统负荷预测的常用方法以及特点、优势以及存在的问题,介绍了电力大数据的研究价值。对电力负荷的分类及特性进行了总结,包括对其影响的主要因素以及预测模型的性能评价指标,数据预处理方法、预测的基本过程步骤等。其次,介绍了深度学习递归神经网络的基本原理;通过深度学习网络与浅层网络的比较,展现了深度学习的优势;阐述了激活函数在神经网络中的特殊地位,简要分析了感知器模型以及多层感知器模型;归纳并且分析了三种典型模型的结构和模型特点,即RNN（递归或循环神经网络）模型、LSTM（长短期记忆网络）模型、基于Attention机制的LSTM（长短期记忆网络）神经网络模型;在此基础上,阐明了深度学习递归神经网络对电力系统负荷预测问题的适应性。然后,基于实测的电力负荷数据,完成三种典型模型的电力负荷预测方法模型构建以及对比试验与分析。通过预测结果对比,基于Attention机制的LSTM神经网络短期负荷预测模型实验具有比较理想的优化效果。最后,进行了全文总结,并展望了进一步的后续研究工作。本文的研究成果对于提高短期电力负荷预测的准确性和可靠性具有一定的科学意义和实用价值。
虞海彪[8]（2020）在《基于混沌时间序列的光伏功率预测方法研究》文中指出随着化石能源的日益枯竭以及人们对环境污染问题愈来愈关注,光伏发电的开发与利用已经成为世界各国解决能源和环境制约问题的共同方案,光伏发电系统已经成为电力系统的重要组成部分。然而,光伏功率受天气、云层、温度等多种因素的影响具有较强的随机性、波动性和间歇性,这会对大电网的安全稳定运行造成严重冲击。有效的光伏功率预测方法可以减小电网的运行成本,保护电网的安全稳定运行,电力工作者也可据此制定合理的经济调度计划。鉴于基于气象数据的传统光伏功率预测方法带有人为主观性,本文从深入挖掘光伏功率时间序列的动力学行为出发,给出了基于混沌时间序列的光伏功率预测研究方向,即基于单变量时间序列的光伏功率预测和基于多变量时间序列的光伏功率预测。首先,回顾了混沌的定义和基本概念,理清了相空间重构理论,延迟时间和嵌入维数两个关键参数的具体求解方法,介绍了关联维数法、最大Lyapunov指数法、递归图法3种混沌时间序列的判定方法,并以实际光伏电站的数据验证了光伏功率时间序列具有混沌特性。其次,由于在混沌理论中,现有嵌入维数计算方法往往难以获得时间序列的最佳嵌入维数,且不同计算方法获得的嵌入维数稍有不同,相应光伏功率的预测结果也就不同。为减小嵌入维数对预测结果的影响,研究了一种基于多嵌入维Volterra滤波器的光伏功率自适应预测方法。以实际光伏功率时间序列为研究对象,分别利用互信息法、Cao氏法确定延迟时间和嵌入维数,构建了基于多嵌入维数的Volterra组合预测模型,组合模型采用神经网络对各嵌入维数下的Volterra单一模型进行组合。仿真结果验证了所提方法的可行性和有效性。然后,为有效避免神经网络陷入局部最优,研究了一种基于天牛群优化（beetle swarm optimization,BSO）-Elman神经网络的光伏功率全局预测方法。在分析粒子群优化（particle swarm optimization,PSO）和天牛须搜索（beetle antennae search,BAS）算法特点的基础上,把由PSO和BAS有机结合在一起的BSO算法应用到Elman神经网络的预测中。在对光伏功率时间序列相空间重构后,BSO进行第一次迭代寻找全局最优解,并将其作为Elman神经网络的最优初始权重。在此基础上,Elman神经网络进行第二次迭代完成训练并以此预测光伏功率。以实际光伏电站数据为算例的预测结果和误差对比分析,验证了所提方法的适应性更强、鲁棒性和稳定性更好。最后,针对光伏功率单变量时间序列预测方法的不足,研究了一种基于多变量相空间重构和径向基函数（radial basis function,RBF）神经网络的光伏功率全局预测方法。基于相关性分析,选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;而后,利用C-C法和虚假邻近点（false nearest neighbors,FNN）法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;在此基础上,结合神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和RBF神经网络的光伏功率全局预测模型。算例分析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。
陈黎君[9]（2020）在《基于改进的EMD-PSR单变量混沌时间序列短期预测研究》文中研究说明在大数据时代,人们迫切的需要有效利用城市数据,例如空气污染、交通拥堵、股价判断等,以解决和改善我们生活中的问题。但由众多微观个体组成的复杂城市数据,其内部组成十分复杂且不可测。本文以混沌理论为基础,对混沌系统中的内在随机性进行研究与分析。重点从趋势提取、模式提取、模式识别、模型优化等方面对混沌时间序列进行建模与预测研究。全文主要研究内容如下:（1）为有效识别与提取混沌时间序列中的隐含内在特征,本文结合重构相空间与聚类分析的优势,同时结合改进的粒子群优化算法,提出了以长短期记忆神经网络为基础的PSRC-I-LSTM模型。首先,基于混沌理论相关研究,对时间序列进行混沌性判定、重构参数选取计算以及参数检验。通过FCM对重构后的相点进行识别与分类,将具有相似特征的模式聚为一簇,充分利用序列中的隐藏特征构建输入序列。针对LSTM网络复杂的参数选取问题,结合IPSO算法对相关参数进行择优选取。通过与已有算法以及在具有代表意义下的不同数据集上的实验对比,验证本文模型的有效性及实用性。（2）直接进行重构与预测会忽略混沌数据的内在趋势与结构特征,且混沌数据形成过程中不免掺杂噪声,使得重构的相空间不够精确。为此,本文结合奇异谱分析、复杂度分析以及端点效应相关分析,提出基于SSA-CEEMDAN-SE的分解算法和WLSTM的端点效应处理算法的LSTM预测模型。本文对EMD算法进行了深入研究,为了缓解端点效应问题,给出基于LSTM与窗函数的算法改进分解流程;为解决混沌序列中的噪声影响以及分解过程中的模态混叠问题,分析基于奇异谱分析与CEEMDAN的组合分解模型;为量化各本征模函数的复杂度,结合基于样本熵的量化方法对各本征模函数进行复杂度计算,将相似复杂度的本征模函数重组。最后通过0-1混沌测试法检测各分量的混沌性,并结合PSRC-ILSTM模型对混沌时间序列进行组合预测。通过不同数据集上的实验结果研究与分析,以及其他模型的实验结果对比,验证了本文模型的普遍实用性。
王璞[10]（2019）在《基于交叉递归分析的机械旋转部件退化跟踪与故障预测研究》文中研究指明机械旋转部件作为一种不可缺少的传动装置,在现代工业生产中占据着重要地位。一旦其产生故障,不仅会降低生产效率,严重时甚至会造成灾难性的人员伤亡。因此,为了确保机械设备安全高效的运行,对旋转部件建立科学的维护策略十分重要。目前,机械旋转部件的故障维护策略已从最初的故障后维修,过渡到了基于设备状态的维护,并逐渐向智能化预见性维护即故障预测方向发展。相比传统针对已出现故障进行分类的方法,故障预测则是在故障失效发生前通过监测机械部件全寿命周期的退化过程,建立模型对其剩余使用寿命进行预测。因此,旋转部件的故障预测研究对于减少停机时间、提高生产效率有着极为重要的意义。针对现有故障预测研究在建立非线性退化跟踪方法、快速响应的初始故障预测模型、长期稳定的深度学习剩余寿命预测模型等方面的不足,本文以机械系统旋转部件为研究对象,以非线性相空间重构理论为基础,开展了旋转部件退化跟踪及寿命预测的研究。主要研究工作包含以下四个方面:（1）系统学习了基于Takens嵌入定理的非线性相空间重构理论,并针对相空间重构中的延迟时间和嵌入维数计算方法进行了详细研究。通过定性讨论和仿真实验结果表明,基于互信息熵与虚假邻近点的延迟嵌入相空间重构方法能够以原系统单变量时间序列重构等价相空间,并保留原系统相空间的基本结构及动力学特性。（2）研究了基于相空间重构的交叉递归分析方法,并通过搭建基于交叉递归的多参数轴承故障识别模型,详细分析该方法在不同工况、不同故障类别下提取的特征对故障严重程度描述的稳定性与灵敏度。通过对比实验表明,交叉递归分析方法相比于目前已应用于故障识别的传统递归分析方法,可以显着提高对早期故障检测的灵敏度和故障程度判定的稳定性。（3）提出了基于改进交叉递归定量分析的旋转部件退化跟踪方法。提取递归熵参数作为健康指标,建立退化趋势;针对传统交叉递归分析需要大量时间来计算重构相空间直径的缺陷,提出了基于数据离散程度分析的替代算法以减少时间消耗;利用温度信号作为辅助信息,提出了一种新的自适应健康状态划分方法,用以监测退化曲线上初始故障点的产生,同时利用非线性自回归神经网络对退化曲线进行多步向后预测,实现初始故障点的预测。对轴承振动信号的实验证明,改进的交叉递归分析方法可以减少90%以上的时间消耗;利用小波分析提取的故障特征频率验证了初始故障点的检测准确度。（4）提出了基于改进门控循环网络的机械旋转部件剩余寿命预测方法。采用改进交叉递归率和确定率形成的退化曲线作为模型输入,预测下一时刻的剩余使用寿命;综合考虑预测效果与不同网络结构对训练数据规模的要求,引入门控循环网络进行寿命预测,在减少网络参数的基础上维持较好的预测能力;引入惩罚因子改进用于网络训练的传统平方误差目标函数,使网络训练满足了提前预测风险小于滞后预测的现实意义。
二、基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法（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、基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法（论文提纲范文）
（1）基于核极限学习机的边坡位移预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究动态 |
| 1.2.1 边坡形变预测研究现状 |
| 1.2.2 极限学习机研究现状 |
| 1.3 本文研究内容及章节安排 |
| 1.3.1 本文研究内容 |
| 1.3.2 章节安排 |
| 第二章 边坡变形相关知识与数据采集 |
| 2.1 边坡变形相关知识 |
| 2.1.1 边坡类型 |
| 2.1.2 影响边坡稳定性因素 |
| 2.2 边坡数据采集 |
| 2.2.1 边坡的监测系统 |
| 2.2.2 数据的预处理 |
| 2.3 本章小结 |
| 第三章 基于BSA-KELM的边坡位移预测方法研究 |
| 3.1 混沌理论和相空间重构 |
| 3.1.1 混沌时间序列 |
| 3.1.2 相空间重构 |
| 3.2 核极限学习机 |
| 3.2.1 极限学习机 |
| 3.2.2 核极限学习机 |
| 3.3 鸟群算法 |
| 3.4 基于BSA-KELM的边坡位移预测模型 |
| 3.4.1 建模流程 |
| 3.4.2 评价指标 |
| 3.4.3 模型参数选取 |
| 3.4.4 预测结果及分析 |
| 3.5 本章小结 |
| 第四章 变分模态分解及其在边坡位移预测中的应用 |
| 4.1 变分模态分解 |
| 4.1.1 基本原理 |
| 4.1.2 VMD算法流程 |
| 4.1.3 VMD算法重要参数选取 |
| 4.2 基于VMD和 BSA-KELM的边坡位移预测模型 |
| 4.2.1 建模流程 |
| 4.2.2 预测结果与分析 |
| 4.3 其他监测点的预测结果 |
| 4.4 本章小结 |
| 第五章 基于VMD和 BSA-KELM模型的多步预测 |
| 5.1 多步预测原理 |
| 5.2 递归多步预测模型 |
| 5.2.1 模型参数的选择 |
| 5.2.2 预测结果及分析 |
| 5.3 多输出预测模型 |
| 5.3.1 模型参数的选择 |
| 5.3.2 预测结果及分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（2）风电场短期风速及风功率预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 课题研究的背景与意义 |
| 1.3 风功率预测分类 |
| 1.4 风电场风速及风功率预测技术研究进展 |
| 1.5 论文的主要内容和章节安排 |
| 第二章 基于多尺度递归理论的风速时间序列分析 |
| 2.1 引言 |
| 2.2 混沌理论 |
| 2.3 相空间重构理论 |
| 2.3.1 延迟时间的选择 |
| 2.3.2 嵌入维数的选择 |
| 2.4 风速时间序列混沌特性识别 |
| 2.4.1 混沌特征识别方法 |
| 2.4.2 风速时间序列混沌特征识别实证 |
| 2.5 基于递归理论多尺度的风速时间序列分析 |
| 2.5.1 理论基础 |
| 2.5.2 实测风速时间序列分析 |
| 2.6 本章小结 |
| 第三章 基于CEEMDAN-PSR-GRU的短期风速预测 |
| 3.1 引言 |
| 3.2 深度门控循环神经网络 |
| 3.2.1 门控循环神经网络 |
| 3.2.2 模型优化技术 |
| 3.2.3 激活函数 |
| 3.2.4 优化器 |
| 3.3 构建预测模型及模型评价标准 |
| 3.3.1 基于CEEMDAN-PSR-GRU的短期风速组合预测模型 |
| 3.3.2 模型评价标准 |
| 3.4 算例及结果分析 |
| 3.4.1 GRU参数确定 |
| 3.4.2 数据输入和输出的结构 |
| 3.4.3 结果分析 |
| 3.5 本章小结 |
| 第四章 风电场短期功率预测 |
| 4.1 引言 |
| 4.2 变点分组-四分位法数据清洗方法 |
| 4.2.1 变点分组法原理 |
| 4.2.2 四分位法原理 |
| 4.2.3 数据清洗流程 |
| 4.3 Elman-Adaboost模型(AElman) |
| 4.4 算例及结果分析 |
| 4.4.1 数据处理 |
| 4.4.2 预测与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录 A 发表的论文 |
| 附录 B 参与科研项目 |
（3）基于深度学习的电能质量扰动识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 扰动的特征提取 |
| 1.2.2 扰动的特征分类 |
| 1.3 论文主要工作 |
| 2 电能质量综述 |
| 2.1 电能质量定义 |
| 2.2 电能质量标准 |
| 2.3 电能质量扰动 |
| 2.3.1 电能质量扰动的分类 |
| 2.3.2 谐波和间谐波 |
| 2.3.3 三相不平衡 |
| 2.3.4 电压变动 |
| 2.3.5 瞬态现象 |
| 2.4 电能质量扰动的数学模型 |
| 2.4.1 单一电能质量扰动数学模型 |
| 2.4.2 复合电能质量扰动数学模型 |
| 2.4.3 电能质量扰动的仿真 |
| 2.5 小结 |
| 3 基于压缩感知和一维卷积神经网络的电能质量扰动识别 |
| 3.1 压缩感知理论 |
| 3.1.1 压缩感知的原理 |
| 3.1.2 信号的稀疏表示 |
| 3.1.3 测量矩阵的设计 |
| 3.1.4 信号的重构算法 |
| 3.2 一维卷积神经网络 |
| 3.2.1 深度学习 |
| 3.2.2 神经元 |
| 3.2.3 一维卷积神经网络的结构 |
| 3.2.4 局部感受野和权值共享 |
| 3.2.5 卷积运算 |
| 3.2.6 池化运算 |
| 3.2.7 卷积神经网络的训练过程 |
| 3.3 基于Tensorflow的电能质量扰动分类模型 |
| 3.3.1 分类模型的搭建 |
| 3.3.2 分类模型的分类过程 |
| 3.4 仿真实验分析 |
| 3.4.1 原始数据的预处理 |
| 3.4.2 电能质量扰动的压缩与重构 |
| 3.4.3 仿真结果 |
| 3.5 小结 |
| 4 基于递归图和循环神经网络的电能质量扰动识别 |
| 4.1 相空间重构理论 |
| 4.1.1 相空间重构 |
| 4.1.2 延迟时间和嵌入维数 |
| 4.2 递归图理论 |
| 4.2.1 递归图 |
| 4.2.2 定量递归分析 |
| 4.2.3 递归图的评价 |
| 4.2.4 电能质量扰动参数对递归图的影响 |
| 4.3 循环神经网络 |
| 4.3.1 循环神经网络的结构 |
| 4.3.2 长短时记忆神经网络 |
| 4.3.3 RNN的学习算法 |
| 4.4 仿真实验分析 |
| 4.4.1 基于Tensorflow的电能质量扰动分类模型 |
| 4.4.2 电能质量扰动的递归图 |
| 4.4.3 分类模型的分类过程 |
| 4.4.4 仿真结果 |
| 4.5 小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（4）基于改进型回声状态网络的电力负荷预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 背景和意义 |
| 1.2 回声状态网络的国内外研究现状 |
| 1.2.1 增强ESN的时间序列建模能力 |
| 1.2.2 构造ESN的多储备池结构 |
| 1.3 电力负荷预测的国内外研究现状 |
| 1.3.1 统计学方法 |
| 1.3.2 人工智能方法 |
| 1.4 本文的主要工作内容 |
| 第二章 回声状态网络(ESN) |
| 2.1 引言 |
| 2.2 回声状态网络的模型结构和数学分析 |
| 2.2.1 回声状态网络的模型结构 |
| 2.2.2 回声状态网络的数学分析 |
| 2.3 回声状态网络的训练算法 |
| 2.3.1 状态采样阶段 |
| 2.3.2 权重更新阶段 |
| 2.4 回声状态网络的主要参数 |
| 2.5 回声状态网络的稳定性分析 |
| 2.6 ESN时间序列预测存在的问题 |
| 2.7 本章小结 |
| 第三章 基于主成分分析法的电力负荷数据分析 |
| 3.1 引言 |
| 3.2 主成分分析 |
| 3.2.1 主成分分析的原理 |
| 3.2.2 主成分分析的数学分析 |
| 3.3 算法验证和评估 |
| 3.4 本章小结 |
| 第四章 相空间重构回声状态网络(PSR-ESN) |
| 4.1 引言 |
| 4.2 相空间重构回声状态网络预测模型 |
| 4.2.1 模型框架 |
| 4.2.2 相空间重构 |
| 4.2.3 迭代多步预测和直接多步预测 |
| 4.2.4 基于岭回归的电压值预测融合方法 |
| 4.3 算法验证和评估 |
| 4.3.1 数据集 |
| 4.3.2 性能分析 |
| 4.4 本章小结 |
| 第五章 多储备池回声状态网络(MESN) |
| 5.1 引言 |
| 5.2 多储备池回声状态网络 |
| 5.2.1 多时间层次编码器 |
| 5.2.2 卷积解码器 |
| 5.2.3 训练阶段 |
| 5.3 算法验证和评估 |
| 5.3.1 数据集 |
| 5.3.2 数据预处理 |
| 5.3.3 参数设置 |
| 5.3.4 性能分析 |
| 5.3.5 可视化分析 |
| 5.3.6 计算效率分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（5）航班运行风险数值化评估与预测研究（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 国内外研究综述 |
| 1.3 研究内容和方法 |
| 第二章 航班运行风险的理论基础 |
| 2.1 风险概念 |
| 2.2 风险管理 |
| 2.2.1 风险管理的定义 |
| 2.2.2 危险源识别 |
| 2.2.3 风险评估 |
| 2.2.4 风险缓解 |
| 2.3 风险预测 |
| 2.4 航班运行风险 |
| 2.5 本章小结 |
| 第三章 基于机器学习的航班运行风险评估模型 |
| 3.1 机器学习方法概述 |
| 3.1.1 随机森林 |
| 3.1.2 支持向量机 |
| 3.1.3 神经网络 |
| 3.2 航班运行风险评估模型 |
| 3.2.1 风险评估模型的构建流程 |
| 3.2.2 模型的精度检验标准 |
| 3.3 结果分析 |
| 3.3.1 样本数据划分及参数设置 |
| 3.3.2 风险评估结果及精度分析 |
| 3.3.3 模型适用性验证 |
| 3.4 本章小结 |
| 第四章 基于改进EEMD-ELM的航班运行风险混沌短期预测 |
| 4.1 航班运行风险时间序列的混沌特征分析 |
| 4.1.1 运行风险序列与混沌的相似性分析 |
| 4.1.2 相空间重构 |
| 4.1.3 最大Lyapunov指数计算 |
| 4.2 混沌短期预测模型的构建 |
| 4.2.1 混沌短期预测方法 |
| 4.2.2 极限学习机理论基础 |
| 4.3 基于EEMD改进的风险预测模型 |
| 4.3.1 经验模态分解及EEMD |
| 4.3.2 阈值降噪 |
| 4.3.3 信息扩散 |
| 4.3.4 综合改进模型的预测流程 |
| 4.4 结果分析 |
| 4.4.0 运行风险序列的混沌识别 |
| 4.4.1 运行风险序列的经验模态分解 |
| 4.4.2 运行风险序列的噪声分析 |
| 4.4.3 模型预测结果 |
| 4.4.4 预测误差分析 |
| 4.5 本章小结 |
| 第五章 基于多变量混沌时间序列的航班运行风险短期预测 |
| 5.1 预测模型的理论基础 |
| 5.1.1 极限学习机 |
| 5.1.2 RBF神经网络 |
| 5.1.3 回声状态网络 |
| 5.1.4 Elman神经网络 |
| 5.2 基于多变量混沌序列的预测模型 |
| 5.2.1 多变量混沌序列的相空间重构 |
| 5.2.2 基于PCA的相空间降维 |
| 5.2.3 PCA改进的模型预测流程 |
| 5.3 结果分析 |
| 5.3.1 多变量相空间重构 |
| 5.3.2 PCA降维 |
| 5.3.3 参数优化 |
| 5.3.4 模型预测结果 |
| 5.3.5 预测误差分析 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（6）基于深度学习算法的含风电场区域的等效负荷短期预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 课题的研究现状 |
| 1.2.1 电力负荷预测研究现状 |
| 1.2.2 风电功率预测研究现状 |
| 1.2.3 含风电场区域等效负荷预测研究现状 |
| 1.3 本文工作 |
| 1.4 论文章节安排 |
| 第2章 深度学习与电力负荷预测 |
| 2.1 人工神经网络 |
| 2.2 卷积神经网络 |
| 2.3 循环神经网络 |
| 2.4 长短期记忆神经网络 |
| 2.5 本章小结 |
| 第3章 基于强健回声状态网络的短期负荷预测 |
| 3.1 回声状态网络 |
| 3.1.1 回声状态网络的基本原理 |
| 3.1.2 ESN的储层功能与参数调整 |
| 3.2 基于相空间重构的回声状态网络 |
| 3.2.1 负荷时间序列的相空间重构 |
| 3.2.2 基于相空间重构的回声状态网络 |
| 3.3 正则化回声状态网络 |
| 3.4 回声状态网络分位数回归网络 |
| 3.4.1 分位数回归神经网络 |
| 3.4.2 回声状态分位数回归网络 |
| 3.5 算例分析 |
| 3.5.1 负荷预测评价指标 |
| 3.5.2 SESN改进算法验证 |
| 3.5.3 基于SESN的短期负荷点预测 |
| 3.5.4 基于SESQRN的短期负荷概率预测 |
| 3.6 本章小结 |
| 第4章 基于VMD和3DCNN-GRU的风电功率预测 |
| 4.1 模态分解与风电功率数据处理 |
| 4.2 三维卷积神经网络 |
| 4.3 门控循环单元网络 |
| 4.4 VMD-3D-CNN-GRU风电功率预测模型 |
| 4.5 算例分析 |
| 4.5.1 风电功率和风速时间序列的模态分解 |
| 4.5.2 风电功率预测实例 |
| 4.6 本章小结 |
| 第5章 含风电场区域等效负荷预测 |
| 5.1 等效负荷预测模型 |
| 5.2 等效负荷预测算例 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（7）基于深度学习神经网络的电力短期负荷预测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外电力短期负荷预测研究现状 |
| 1.2.1 电力负荷数据的预处理研究现状 |
| 1.2.2 电力短期负荷预测一般方法 |
| 1.2.3 电力大数据 |
| 1.3 论文的研究内容 |
| 1.3.1 本文整体的组织结构 |
| 1.3.2 本文具体研究内容 |
| 第2章 电力短期负荷预测的基本理论及负荷数据预处理 |
| 2.1 引言 |
| 2.2 电力负荷的分类和特性分析及负荷主要影响因素 |
| 2.3 电力负荷预测性能指标 |
| 2.4 电力短期负荷预测的基本过程 |
| 2.5 电力负荷数据预处理的重要性 |
| 2.6 电力负荷坏数据的分类以及预处理方法 |
| 2.7 基于小波变换理论对负荷数据预处理 |
| 2.7.1 小波变换理论简析 |
| 2.7.2 连续型小波变换分析理论分析 |
| 2.7.3 离散型小波变换分析理论 |
| 2.8 小波变换分析理论去噪方法 |
| 2.8.1 电力负荷数据的垂直处理 |
| 2.8.2 电力负荷数据的水平处理 |
| 2.8.3 小波阈值去噪方法 |
| 2.9 本章小结 |
| 第3章 基于深度学习电力短期负荷预测模型的搭建 |
| 3.1 深度学习网络 |
| 3.1.1 深度学习网络和浅层神经网络 |
| 3.1.2 激活函数 |
| 3.1.3 感知器模型 |
| 3.1.4 多层感知器模型 |
| 3.2 深度学习网络的大致结构 |
| 3.3 深度学习递归神经网络的模型搭建 |
| 3.3.1 深度学习框架 |
| 3.3.2 RNN(递归或循环神经网络)模型 |
| 3.3.3 LSTM(长短期记忆循环神经网络)模型 |
| 3.3.4 基于Attention机制的LSTM神经网络模型 |
| 3.4 深度学习对电力负荷预测问题的适应性浅析 |
| 3.5 本章小结 |
| 第4章 电力短期负荷预测模型性能评估实验与分析 |
| 4.1 实验模型的参数设置 |
| 4.2 评价指标 |
| 4.3 电力短期负荷模型预测结果及分析 |
| 4.3.1 RNN(递归或循环神经网络)预测模型的预测结果 |
| 4.3.2 LSTM(长短期记忆网络)预测模型的预测结果 |
| 4.3.3 基于Attention机制的LSTM预测模型的预测结果 |
| 4.3.4 单天和单周的三个预测模型的预测精度对比 |
| 4.3.5 单天滚动和单周滚动的三个预测模型的预测精度对比 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 进一步的研究工作展望 |
| 致谢 |
| 参考文献 |
| 附录一 |
| 附录二 作者在读期间发表的学术论文及参加的科研项目 |
（8）基于混沌时间序列的光伏功率预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 光伏功率预测的背景和意义 |
| 1.2 光伏功率预测的基本原理及特点 |
| 1.2.1 光伏功率的影响因素 |
| 1.2.2 光伏功率预测的特点 |
| 1.3 光伏功率预测的研究方法及其发展现状 |
| 1.3.1 光伏功率预测方法分类及工程应用 |
| 1.3.2 光伏功率主要预测方法简介 |
| 1.3.3 混沌理论及其在时间序列预测中的应用 |
| 1.4 本文的主要研究内容和章节安排 |
| 第二章 光伏功率时间序列混沌特性分析 |
| 2.1 混沌的定义和基本概念 |
| 2.2 相空间重构理论 |
| 2.3 相空间重构参数的确定 |
| 2.3.1 延迟时间的选择 |
| 2.3.2 嵌入维数的选择 |
| 2.4 时间序列混沌特性的判定 |
| 2.4.1 关联维数法 |
| 2.4.2 最大Lyapunov指数法 |
| 2.4.3 递归图法 |
| 2.5 光伏功率时间序列混沌特性实证 |
| 2.5.1 关联维数法计算结果 |
| 2.5.2 最大Lyapunov指数法中的小数据法计算结果 |
| 2.5.3 递归图法计算结果 |
| 2.6 本章小结 |
| 第三章 基于单变量时间序列的光伏功率预测方法 |
| 3.1 混沌时间序列预测方法 |
| 3.1.1 自适应预测法 |
| 3.1.2 全局预测法 |
| 3.1.3 局域预测法 |
| 3.2 基于多嵌入维Volterra滤波器的光伏功率自适应预测 |
| 3.2.1 Volterra滤波器 |
| 3.2.2 BP神经网络 |
| 3.2.3 基于BP神经网络的组合预测模型 |
| 3.2.4 算例分析 |
| 3.3 基于BSO-Elman神经网络的光伏功率全局预测 |
| 3.3.1 智能优化算法 |
| 3.3.2 Elman神经网络 |
| 3.3.3 光伏功率的BSO-Elman神经网络全局预测模型 |
| 3.3.4 算例分析 |
| 3.4 本章小结 |
| 第四章 基于多变量时间序列的光伏功率预测方法 |
| 4.1 光伏功率影响因素及其相关性分析 |
| 4.2 光伏功率预测的多变量相空间重构理论 |
| 4.2.1 光伏功率预测的多变量相空间重构 |
| 4.2.2 光伏功率预测的多变量相空间重构参数优化 |
| 4.3 基于多变量相空间重构和RBF神经网络的光伏功率全局预测 |
| 4.3.1 RBF神经网络 |
| 4.3.2 RBF神经网络结构的确定 |
| 4.3.3 光伏功率的多变量相空间重构和RBF神经网络全局预测模型 |
| 4.4 算例分析 |
| 4.4.1 算例描述 |
| 4.4.2 预测结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 前景与展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（9）基于改进的EMD-PSR单变量混沌时间序列短期预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 时间序列预测的国内外研究现状 |
| 1.2.2 时间序列重构的国内外研究现状 |
| 1.2.3 时间序列分解与重组的国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 章节安排 |
| 第2章 混沌时间序列预测方法研究 |
| 2.1 时间序列混沌特性分析 |
| 2.1.1 混沌理论概述与分析 |
| 2.1.2 重构相空间关键参数的选择 |
| 2.2 混沌序列特征提取相关分析 |
| 2.2.1 经验模态分解 |
| 2.2.2 经验模态分解改进 |
| 2.3 时间序列预测算法 |
| 2.3.1 时间序列预测经典算法 |
| 2.3.2 长短时记忆神经网络 |
| 2.3.3 预测效果评价指标 |
| 2.3.4 预测算法性能对比 |
| 2.4 本章小结 |
| 第3章 基于相空间重构与聚类分析的单变量时间序列预测研究 |
| 3.1 重构相空间的关键参数选取 |
| 3.2 时间序列混沌的定量分析 |
| 3.2.1 最大Lyapunov法 |
| 3.2.2 Kolmogorov熵法 |
| 3.2.3 0-1 混沌测试法 |
| 3.3 模糊C均值聚类算法分析 |
| 3.3.1 模糊C均值聚类原理简述 |
| 3.3.2 硬聚类与软聚类效果对比 |
| 3.4 基于改进的粒子群优化的预测模型IPSO-LSTM |
| 3.4.1 粒子群优化算法理论介绍 |
| 3.4.2 PSO算法对比 |
| 3.4.3 粒子群优化算法应用实例分析 |
| 3.5 PSRC-I-LSTM预测模型实例研究 |
| 3.5.1 模型分析 |
| 3.5.2 数据集介绍 |
| 3.5.3 模式提取实验结果与分析 |
| 3.5.4 模型有效性分析 |
| 3.6 本章小结 |
| 第4章 改进的经验模态分解组合模型预测研究 |
| 4.1 端点效应改进分析 |
| 4.2 CEEMDAN算法分析 |
| 4.2.1 CEEMDAN方法原理介绍 |
| 4.2.2 分解性能对比 |
| 4.3 奇异谱分解相关分析 |
| 4.3.1 奇异谱分解算法流程与参数讨论 |
| 4.3.2 实例对比分析 |
| 4.4 基于样本熵的CEEMDAN优化分析 |
| 4.4.1 样本熵计算与参数选取 |
| 4.4.2 基于CEEMDAN-SE的特征提取研究 |
| 4.4.3 基于CEEMDAN-SE的模型预测研究 |
| 4.5 基于SCEEMDAN-SE-PSRCI的组合预测模型 |
| 4.5.1 组合预测模型分析 |
| 4.5.2 分步实验与分析 |
| 4.5.3 对比实验与分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
（10）基于交叉递归分析的机械旋转部件退化跟踪与故障预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 旋转部件退化状态跟踪综述 |
| 1.2.2 旋转部件故障预测方法综述 |
| 1.3 论文研究内容及意义 |
| 1.4 论文组织结构 |
| 第二章 相空间重构理论与交叉递归分析及其在机械故障识别方面的应用研究 |
| 2.1 引言 |
| 2.2 相空间重构 |
| 2.2.1 相空间轨迹 |
| 2.2.2 Takens嵌入定理 |
| 2.2.3 延迟时间的计算 |
| 2.2.4 嵌入维数的计算 |
| 2.2.5 相空间重构实验验证 |
| 2.3 交叉递归分析 |
| 2.3.1 递归图与交叉递归图 |
| 2.3.2 交叉递归定量分析 |
| 2.4 基于交叉递归的多参数轴承故障识别方法研究及实验验证 |
| 2.4.1 轴承故障程度判定方法流程 |
| 2.4.2 实验数据与实验设置说明 |
| 2.4.3 实验验证 |
| 2.5 本章小结 |
| 第三章 改进交叉递归定量分析方法及其在机械旋转部件退化跟踪方面的应用研究 |
| 3.1 引言 |
| 3.2 基于改进交叉递归分析的机械旋转部件退化跟踪方法 |
| 3.2.1 健康指标的选取 |
| 3.2.2 基于数据离散程度分析的交叉递归距离计算方法 |
| 3.2.3 基于温度信号的退化跟踪健康状态划分 |
| 3.3 基于非线性自回归神经网络的机械旋转部件初始故障预测方法 |
| 3.3.1 非线性自回归神经网络 |
| 3.3.2 自回归神经网络优化策略 |
| 3.4 实验验证 |
| 3.4.1 退化跟踪算法流程 |
| 3.4.2 实验数据及实验设置说明 |
| 3.4.3 退化跟踪实验验证 |
| 3.5 本章小结 |
| 第四章 门控循环网络在机械旋转部件故障预测方面的应用研究 |
| 4.1 引言 |
| 4.2 剩余寿命预测流程 |
| 4.2.1 预测模型选择 |
| 4.2.2 预测评价指标 |
| 4.3 基于改进门控循环网络的机械部件剩余寿命预测模型 |
| 4.3.1 门控循环网络基本理论 |
| 4.3.2 基于改进门控循环网络的剩余寿命预测模型 |
| 4.4 实验验证 |
| 4.4.1 剩余寿命预测算法流程 |
| 4.4.2 实验数据及实验设置说明 |
| 4.4.3 剩余寿命预测实验验证 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
四、基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法（论文参考文献）
- [1]基于核极限学习机的边坡位移预测研究[D]. 段绰. 石家庄铁道大学, 2021(01)
- [2]风电场短期风速及风功率预测研究[D]. 王凯. 昆明理工大学, 2021(01)
- [3]基于深度学习的电能质量扰动识别[D]. 武昭旭. 安徽理工大学, 2020(07)
- [4]基于改进型回声状态网络的电力负荷预测研究[D]. 徐杰. 东南大学, 2020(01)
- [5]航班运行风险数值化评估与预测研究[D]. 李景良. 中国民航大学, 2020(01)
- [6]基于深度学习算法的含风电场区域的等效负荷短期预测[D]. 范锦谕. 燕山大学, 2020(01)
- [7]基于深度学习神经网络的电力短期负荷预测方法研究[D]. 范玉权. 杭州电子科技大学, 2020(02)
- [8]基于混沌时间序列的光伏功率预测方法研究[D]. 虞海彪. 合肥工业大学, 2020(02)
- [9]基于改进的EMD-PSR单变量混沌时间序列短期预测研究[D]. 陈黎君. 武汉理工大学, 2020(08)
- [10]基于交叉递归分析的机械旋转部件退化跟踪与故障预测研究[D]. 王璞. 东南大学, 2019(06)