关于硕士毕业论文的思路整理

最新推荐文章于 2022-10-22 15:56:52 发布

LearningXX

最新推荐文章于 2022-10-22 15:56:52 发布

阅读量3.5k

点赞数 7

分类专栏：自己的记录

自己的记录专栏收录该内容

2 篇文章 2 订阅

订阅专栏

一.总体思路
有人用方法1解决问题A，有人用方法2解决问题B，那么试一试能不能用方法2的思路或者在2的基础上，改进方法1从而更好地解决问题A，这就是能够出论文的点。
这里写图片描述
整体的思路：
数据获取
特征工程
模型的选择和调优
模型的验证和误差分析

备注：另外有几点可以考虑
1.对于训练集数据处理方面，进行算法改进优化
2.对于已有成熟模型，就行优化调参
3.最新的深度学习算法（多层神经网络）应用，目前国内较少，查到几篇论文，但同类型的例如深度学习模型预测风电短时功率较多
二.机器学习算法

分类算法：逻辑回归（LR），朴素贝叶斯（Naive Bayes），支持向量机（SVM），随机森林（Random Forest），AdaBoost，GDBT，KNN，决策树…

回归算法：线性回归（Linear Regression），多项式回归（Polynomial Regression），逐步回归（Stepwise Regression），岭回归（Ridge Regression），套索回归（Lasso Regression）

聚类算法： K均值（K-Means），谱聚类、DBSCAN聚类、模糊聚类、GMM聚类、层次聚

降维算法： PCA（主成分分析）、SVD（奇异值分解）

推荐算法：协同过滤算法
三.相关文献整理
整理方法
1.题目
2.应用的算法
3.改进了什么

1.基于深度学习理论的短期风速多步预测方法研究
风具有强随机不确定性,目前,准确的风速及风电场功率预测是解决规模化风电并网安全高效运行的重要基础。本文将深度学习理论应用到风速预测领域中,通过深度神经网络的强大非线性映射能力,自动地将风速变化模式提取出来,可以有效提高预测精度。通过深度神经网络模型进行天前风速短期多步预测实验,结果表明:深度神经网络与其他方法相比,预测误差在大部分情况下均处于较小水平,预测效果较其他四种统计方法较好。
2.基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测
：现有的风速预测方法大多是确定性的点预测,无法描述风速的随机性。针对该问题,建立基于变分模态分解(VMD)和蝙蝠算法-相关向量机(BA-RVM)的短期风速区间预测模型。对原始风速序列进行变分模态分解获得多个子序列;采用样本熵(SE)算法对子序列进行重组得到3类具有典型特性的分量;对各分量采用相关向量机算法分别建立预测模型。为进一步提高预测精度、缩小区间范围,引入蝙蝠算法(BA)对预测模型进行参数优化。将各分量的预测结果进行叠加求和得到一定置信水平下总体的区间预测结果。实际算例结果表明,与现有方法相比,所提区间预测方法的预测精度和区间覆盖率更高,区间宽度更窄
3.关于利用空间相关性预测风速的评述
风速的空间相关性有助于提高其预测质量,特别是在风速突变的情况下。将”离线分类建模,在线匹配模型”的预测思路应用到利用空间相关性的超短期风速预测之中:通过历史数据的时序分析,识别其中各风电场风速存在空间相关性的时段;按其时序特征及其他的条件特征,将观察时窗内的风速序列划分为不同演化形态的样本子集;在离线环境下,分别根据各类形态的训练样本子集优化其专用的预测模型及参数;在线应用时,则根据当下窗口内风速序列的演化形态及相关的条件特征,按匹配所得模型及参数,根据参考风电场的实测数据预测目标风电场的风速。以实际的历史数据验证了所述方法的有效性。
4.基于云模型理论的短期风速预测方法
：基于不确定性理论与方法,采用模糊c均值(FCM)聚类算法对历史风速数据进行聚类分析.在此基础上,利用云模型理论将由聚类产生的一系列定量数据集合转化为由3个云模型数字特征值表示的定性概念,建立风速云模型.将历史风速时间序列中的分钟级变化规律以及日变化规律应用到云模型规则发生器中,建立风速预测的组合云模型.误差概率统计发现,该模型24h风速预测绝对误差小于2m/s的概率为97.94%,预测曲线的均方根误差为0.98m/s.将云模型预测值的期望与RBF神经网络预测值对比,预测精度有所提高,预测曲线基本反映出了风速的变化规律,表明基于云模型的预测方法在风速预测方面的可行性. 更多还原
5.基于小波变换和深度信念网络的风电场短期风速预测方法
设计了一种基于深度信念网络(Deep Belief Network)映射的深层风速预测网络框架。该框架主要由多个不同的受限玻尔兹曼机(RBM)叠加组成,采用无监督贪婪逐层训练的方法获得深度信念网络的框架参数初始值,然后进行有监督的微调达到预测网络误差最小化。该预测框架可以有效地挖掘和提取时间序列中潜在的有用特征,避免预测模型陷入小范围最优解。提出了基于小波变换(Wavelet Transform)和深度信念网络的风速预测方法。
玻尔兹曼机(RBM）深度学习里面的

6.基于迟滞ELM模型的短期风速预测
为了改善风速时间序列的预测精度和预测时间,提出了一种基于迟滞极速学习机(Extreme Learning Machine)模型的风速预测方法。ELM算法是一种新型神经网络,计算效率高,性能优越,能避免局部最小化。通过改变神经元激励函数的方式将迟滞特性引入神经网络中,以增强历史输入对当前响应的影响,从而提高有用信息的利用率,提高风速时间序列的预测性能。仿真结果表明,与ELM模型等方法相比,迟滞ELM模型能够有效减小风速时间序列的预测误差,提高了预测精度以及减少了预测时间。更多还原
7.基于局部高斯过程的短期风速预测
本文提出一种基于局部高斯过程的短期风速预测方法。首先,把总的训练样本集按固定长度的时间窗划分成许多个子训练集。然后,运用局部高斯过程模型对各个子训练集进行建模,通过最小化训练集的预测误差为优化目标,用改进粒子群算法求取模型的最优超参数。最后,对某实测风速数据进行风速预测分析,结果表明基于局部高斯过程的短期风速预测能有效提高风速预测精度。
8.基于灰色GMDH网络组合模型的风速预测
文章基于灰色系统理论与GMDH数据分组处理技术,建立了灰色GMDH网络组合风速预测模型;采用某风电场实测风速数据进行预测,并与灰色Verhulst模型预测方法和传统GMDH网络模型预测方法的预测结果进行了对比。算例结果表明,灰色GMDH网络组合风速预测模型能够更精确地预测风速,显示了其可行性与高效性。
9.基于小波包分解和改进差分算法的神经网络短期风速预测方法
针对风速预测固有的波动性、间歇性和非线性等特点,以及常规BP神经网络和差分算法神经网络均存在容易陷入局部最优导致收敛过早、泛化能力不足等缺陷,提出一种综合WPD和IDE算法的短期风速预测神经网络方法。
10.基于Adaboost的BP神经网络改进算法在短期风速预测中的应用
针对目前神经网络法、时间序列法、卡尔曼滤波法等算法在短期风速预测上精度不高的缺陷,引入Adaboost算法对前馈(back propagation,BP)神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。经算例分析,该算法在超前1 h和2 h的风速预测精度优于其他2种算法,且该算法在高风速段(10 m/s以上)平均绝对百分比误差低于7.5%,具有较高的工程应用价值。
11.基于粗糙集理论-主成分分析的Elman神经网络短期风速预测
为了解决传统静态前馈神经网络(FNN)在短期风速预测中易陷入局部最优值及动态性能的不足,引入Elman动态神经网络建立风速预测模型,采用主成分分析法(PCA)对原始风速数据进行特征提取以优化神经网络的输入,改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Elman神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。实验证明:所提出的方法能有效提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性。
12.基于改进最小二乘支持向量机方法的短期风速预测
为了进一步提高短期风速预测的精度,分析了一种改进的风速预测方法.该方法考虑风速发生变化的极值点对总体预测误差的影响,以及预测曲线较实际曲线产生的滞后,分别对预测数据进行了极值点修正和偏移量处理.在对未来1 h风速进行预测时,相比粒子群优化(PSO)的最小二乘支持向量机(LS-SVM)模型、未经优化的LS-SVM模型及反向传播(BP)神经网络模型,所提出的模型具有较高的预测精度和运算速度.算例结果表明,改进的LS-SVM算法是进行短期风速预测的有效方法. 更多还原
13.基于小波包和支持向量回归的风速预测
运用小波包变换和支持向量回归相结合的方法对提前1～6h的每10min风速预测进行研究。首先针对风速非平稳、非线性的特点,利用小波包变换将原始风速序列分解成一系列不同变动频率的子序列,再分别对这些子序列用支持向量回归法进行预测,最后将各自输出结果叠加得到最终的预测风速。选择某风电场2组具有不同特点的实测数据作为应用案例,结果表明,通过小波包变换更能把握风速变化规律,支持向量回归法具备较强的学习能力,小波包支持向量回归法优于现有的一些预测方法。
14.采用贝叶斯–克里金–卡尔曼模型的多风电场风速短期预测
精确的短期风速预测对可靠安全的电力系统运行很重要。传统的预测方法没有考虑空间相邻风电场的信息。然而,多个风电场的风速在时间和空间上是相关的。该文给出了一个采用贝叶斯克里金卡尔曼模型的短期风速预测方法。由主克里金函数构成的空域结构使用贝叶斯层次结构进行建模,同时应用状态空间模型对时域动态性进行建模。采用计算速度更有效的变分贝叶斯方法来逼近推断和学习模型参数。在公开的多风电场数据集上评估提前1h的风速预测性能,与持续预测算法进行比较的结果显示了该文提出的方法在均方根误差评价指标上的改善
15.基于自适应的动态三次指数平滑法的风电场风速预测
随着风力发电的快速发展,对风电场的风速实现较准确的预测也逐步成为风电领域研究的热点。为了提高风速的预测精度,综合考虑风速历史时间序列的影响,在传统的三次指数平滑方法的基础上,提出了一种自适应的动态三次指数平滑方法来进行风速预测。该方法利用了地毯式搜索方法,根据误差平方和最小的原则及时调整并获得最佳的平滑系数,然后进行后续的一步或多步风速预测。通过与传统的三次指数平滑法、灰色模型预测法比较,验证了自适应的动态三次指数平滑法在风电场风速预测中的准确性和高效性。
16.基于RVM与ARMA误差校正的短期风速预测
为提高风速预测的准确性,提出了基于相关向量机(RVM)与自回归滑动平均(ARMA)误差校正的风电场短期风速预测算法。该算法首先在RVM的基础上,建立了影响因素与未来24小时风速的非线性模型,并采用遗传算法(GA)进行优化,从而保证了模型参数最优。然后,针对已建立的RVM预测模型的误差序列,采用ARMA模型对其进行拟合,最后用ARMA模型的误差预测值校正已有的风速预测值。本文对江苏某风电场的风速进行预测,算例结果表明该方法是合理有效的。
17.基于粗糙集理论-主成分分析的Elman神经网络短期风速预测
为了解决传统静态前馈神经网络(FNN)在短期风速预测中易陷入局部最优值及动态性能的不足,引入Elman动态神经网络建立风速预测模型,采用主成分分析法(PCA)对原始风速数据进行特征提取以优化神经网络的输入,改进激励函数和网络结构以寻求函数收敛速度和预测精度的最优解。针对Elman神经网络预测模型在风速波动的峰值处预测误差较大及预测精度存在波动性,提出采用粗糙值理论对模型预测值进行修正与补偿,进一步提高预测精度。实验证明:所提出的方法能有效提高预测精度,增强神经网络模型的泛化能力,具有较好的实用性。
18.基于遗传BP神经网络的短期风速预测模型
为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点
19.基于改进空间相关法和径向基神经网络的风电场短期风速分时预测模型
间相关法利用空间相关点风速数据之间的相似性和延时性进行风速预测,但在实际应用中存在数据收集困难的问题。提出用空间平移法对空间相关法进行改进,通过减少空间相关点的数目,可有效地降低数据收集难度。为了确定空间相关点风速与所需预测的风电场风速数据之间的非线性关系,采用径向基(RBF)神经网络,建立了基于空间相关法的分时预测模型。该方法通过对风电场与空间相关点风速时间序列之间的关联度分析,将未来预测时段分成若干个时段,在每个时段内分别选择关联度高的相关点的风速数据,作为RBF神经网络的输入数据进行训练和预测。算例表明,该方法可提高风电场风速预测的预测精度,减少了RBF神经网络的训练时间。
20基于小波分析法与神经网络法的非平稳风速信号短期预测优化算法
为提高传统神经网络对非平稳风速的预测精度,提出一种基于小波分析法与神经网络法混合建模的优化算法。该优化方法引入小波分析法对实测非平稳风速信号进行分解,将非平稳性原始风速序列转化为多层较平稳分解风速序列,再利用BP神经网络对各分解层风速序列建立预测模型,最终加权各层预测结果获得风速超前多步预测结果。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统神经网络法对应超前步数的平均绝对相对误差分别提高了55.56%,32.43%和34.58%,其超前1步、3步和5步预测的风速平均相对误差分别为0.48%,1.50%和2.97%。优化网络具备信号分解与自学习能力。
21.采用变系数模型改进空间相关性风速预测
空间相关性方法是近年来逐渐受到重视的风电功率预测方法。
为提高超短期风电功率预测效果，提出了采用变系数模型改进空间相关性风速预测的方法
。首先介绍了一种空间相关性风速预测的建模方式，然后根据风速序列间关系随时间变化的情况引入变系数模型，通过加权最小二乘法进行参数估计，给出一种权函数形式，最后的仿真试验研究了权函数中的遗忘因子对预测误差的影响，验证变系数模型提高空间相关性风速预测的有效性说明采用变系数模型来改进空间相关性风速预测是一条可行的思路。
22.基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测
确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM,IPSO-LSSVM,WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。
23.风速预测中数椐和样本的有效处理及其模型优化研究
对风速预测建模中存在的问题,分别从风电场测风数据的预处理、神经网络的训练样本优选以及风速预测模型的优化等方面进行研究,以此来提高预测结果的可靠性。本文主要研究工作如下:(1)阐述了风速预测的研究背景及意义,概述了风速预测的分类、常用风速预测方法的特点,给出了判断风速预测结果好坏的指标,总结了风速预测建模中存在的问题。(2)以风电场实际测风数据为例,首先利用补充后的测风数据检验标准进行测风数据中坏数据的查找,并根据查找结果分析坏数据存在的不同情况;然后对不同情况的坏数据,分别利用分段滑动均值填补法、支持向量回归填补法、分段滑动均值填补法与支持向量回归填补法相结合的方法进行处理。（数据处理方面）
24.一种实时校正的改进BP神经网络超短期风速预测模型
提出了一种加入误差实时校正环节及风速变化趋势分析的改进方法介绍,在提高风速预测精度的同时有效改善了过校正情况。采用某个风电场的实际运行数据进行了仿真,结果表明,所提出的改进BP神经网络风速预测模型方法具有较好的预测精度。
25.基于梯度优化自适应指数平滑法的风电场短期风速预测方法研究
针对传统的三次指数平滑法预测精度不高、自适应遍历三次指数平滑法计算效率低等问题,引入了梯度优化算法,提出了一种基于梯度优化自适应指数平滑法的风电场短期风速预测方法。该方法可以在很短时间内获得最优平滑系数α,而且在最优平滑系数下大大提高了预测的准确性,对后续的风速预测精确性有大大的提高。将该方法与传统的指数平滑法、灰色预测法、梯度优化指数平滑法等诸多方法作了比较。研究结果表明,本研究方法在计算效率上,比动态遍历指数平滑法提高近80%,而在预测精度上,比传统指数平滑法和灰色预测法分别提高了27%和32%,该预测模型在风速变化平缓和波动情况下均具有较高的精度,以上结果验证了该方法的准确性和有效性。
26.基于改进的QPSO-WNN滚动算法的铁路沿线短期风速预测
为了提高传统神经网络对非平稳风速的预测精度,提出将改进的量子粒子群算法(QPSO)和小波神经网络(WNN)相结合的滚动预测算法。将小波神经网络的初始连接权值及小波基函数参数组成一个多维向量,作为改进量子粒子群算法的粒子进行计算更新,将搜索得到的解空间范围内全局最优参数作为小波神经网络的初始参数。针对已经训练好的小波神经网络的预测误差会随着时间推移而增大的问题,采用每隔1h滚动式训练的方法训练小波神经网络。运用优化算法对我国海南东环铁路某测风站实测风速进行超前多步预测。实例结果表明,相对于传统小波神经网络,优化算法的风速平均相对误差和均方根误差都有所降低,其超前3min、9min、15min的风速预测平均相对误差为8.28%、9.93%、11.37%。
27.基于贝叶斯理论的建筑结构极值风速预测方法研究
建筑结构极值风速预测的研究在结构设计与安全使用领域具有重要意义。基于Bayes理论提出极值风速预测方法,采用Monte Carlo数值模拟方法产生服从极值-I型分布的伪风速母样,基于伪风速母样分别采用基于Bayes理论和最大似然估计理论的极值-I型风速预测方法进行风速预测,并与伪风速母样的理论值进行对比分析。研究结果表明:与最大似然估计法相比,采用基于Bayes理论建立的极值-I型风速预测模型进行风速预测的精度更高