详细介绍了风电功率预测现状，并详尽介绍了风电功率预测的方法，及其原理和建模方法，推荐！

原始风速信号具有的间歇波动性特征给风电场的功率预测带来了挑战，采用集合经验模态分解(EEMD)法将原始风速信号分解为频域稳定的子序列，有效地提高了预测精度，避免了传统经验模态分解(EMD)存在的模态混叠现象。提出一种改进型果蝇优化算法(FOA)，将风速子序列重构参数和最小二乘支持向量机(LS-SVM)参数作为优化目标建立风速预测模型，扩大了参数搜索范围，提高了优化收敛速度；通过风速风功率转化关系可以求得风电场的功率值。实验结果验证了所提方法相比于EMD和LS-SVM预测方法具有更高的预测精度。

不平稳性时序数据短期预测

大数据-算法-风电场功率超短期预测算法优化研究.pdf

安全技术-网络信息-模糊神经网络在股票价格短期预测中的应用研究.pdf

ARMA模型短期预测的R语言实现，包括了模拟数据和实际数据的预测过程，如平稳非纯随机性检验，模型识别，模型定阶，短期预测

由于风电存在着不确定性，风电功率预测对于接入大量风电的电力系统意义重大。为了提高风电功率的预测精度，本文建立了基于经验模式分解法（EMD）与支持向量机（SVM）的复合预测模型。考虑到风力机组的输出有很强的非线性，该模型首先将训练数据按风速大小分成高、中、低3组，然后对各组的风电功率样本序列进行经验模式分解，并建立各个频带分量的支持向量机预测模型，各模型的预测结果等权求和即得到最终的功率预测值。使用风电场现场采集数据的预测结果，验证了该方法的可行性和有效性。

基于一类改进遗传算法的进化神经网络研究.pdf 基于遗传算法的人工神经网络优化设计.pdf 基于遗传神经网络的股票价格短期预测.pdf

基于LSTM神经网络的股价短期预测模型，成烯，钟波，股价预测是时间序列预测领域最具有挑战性的问题，准确预测股价能够帮助投资者降低风险，提高收益。本文应用LSTM神经网络对股价指��

目前常用的负荷预测方法主要是通过负荷自身和相关关系的研究建立模型，提出一种新的负荷预测思路，即从传统频域预测方法的误差入手，通过研究虚拟预测误差的历史分布规律进行误差预测，然后对传统方法得到的预测结果进行修正。建立负荷预测的误差修正模型，并通过算例验证了误差修正的短期负荷预测方法的可行性和实用性，达到了提高短期负荷预测精度的目的。