| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9-12页 |
| 1.1.1 风电产业发展现状 | 第9-11页 |
| 1.1.2 风电功率预测的意义 | 第11-12页 |
| 1.2 课题研究的发展现状 | 第12-14页 |
| 1.2.1 国内外研究现状 | 第12页 |
| 1.2.2 风电功率预测方法的分类 | 第12-14页 |
| 1.3 本论文的主要工作 | 第14-15页 |
| 第二章 单点值预测方法研究 | 第15-35页 |
| 2.1 支持向量机 | 第15-21页 |
| 2.1.1 统计学基本原理 | 第15-16页 |
| 2.1.2 SVM回归基本原理 | 第16-18页 |
| 2.1.3 遗传算法改进的支持向量机 | 第18-21页 |
| 2.2 时间序列 | 第21-26页 |
| 2.2.1 时间序列基本原理 | 第21-22页 |
| 2.2.2 时间序列模型 | 第22-23页 |
| 2.2.3 时间序列预测建模 | 第23-26页 |
| 2.3 预测效果评价指标 | 第26页 |
| 2.4 算例分析 | 第26-32页 |
| 2.4.1 GA-SVM单点值预测 | 第26-30页 |
| 2.4.2 时间序列单点值预测 | 第30-32页 |
| 2.5 本章小结 | 第32-35页 |
| 第三章 基于分位数回归的概率性预测方法 | 第35-57页 |
| 3.1 分位数回归原理 | 第35-37页 |
| 3.1.1 分位数回归基本原理 | 第35-37页 |
| 3.1.2 中位数回归 | 第37页 |
| 3.1.3 分位数回归的参数估计方法 | 第37页 |
| 3.2 支持向量机—分位数回归原理 | 第37-39页 |
| 3.2.1 支持向量的选取 | 第37-38页 |
| 3.2.2 支持向量机—分位数算法建模 | 第38-39页 |
| 3.2.3 支持向量机—分位数算法概率性预测 | 第39页 |
| 3.3 时间序列—分位数回归原理 | 第39-41页 |
| 3.3.1 时间序列—分位数算法建模 | 第40页 |
| 3.3.2 时间序列—分位数算法概率性预测 | 第40-41页 |
| 3.4 预测效果评价指标 | 第41页 |
| 3.5 算例分析 | 第41-47页 |
| 3.5.1 时间序列—分位数算法 | 第42-44页 |
| 3.5.2 支持向量机—分位数算法 | 第44-46页 |
| 3.5.3 基于分位数的两种概率性预测模型比较 | 第46-47页 |
| 3.6 SVM—分位数概率性预测建模分析 | 第47-56页 |
| 3.6.1 单点值预测—条件概率密度函数辨识 | 第47-50页 |
| 3.6.2 针对SVM单点值预测误差的SVM—分位数概率性预测方案 | 第50-53页 |
| 3.6.3 计及温度、湿度的SVM—分位数预测方法 | 第53-54页 |
| 3.6.4 对卡方检验效果较差时段的改进策略 | 第54-56页 |
| 3.7 本章小结 | 第56-57页 |
| 第四章 基于相关向量机的概率预测方法 | 第57-71页 |
| 4.1 RVM模型定义 | 第57-59页 |
| 4.2 贝叶斯推理过程 | 第59-60页 |
| 4.3 RVM学习过程 | 第60页 |
| 4.4 RVM模型预测 | 第60-61页 |
| 4.5 预测效果评价指标 | 第61页 |
| 4.6 算例分析 | 第61-69页 |
| 4.6.1 直接RVM预测方法 | 第61-65页 |
| 4.6.2 基于SVM预测误差的RVM预测方法 | 第65-67页 |
| 4.6.3 基于ARMA预测误差的RVM预测方法 | 第67-69页 |
| 4.7 本章小结 | 第69-71页 |
| 第五章 概率性预测方法比较 | 第71-77页 |
| 5.1 单点值预测输出比较 | 第71页 |
| 5.2 基于卡方检验和预测分布失真率的概率性预测效果比较 | 第71-72页 |
| 5.3 基于连续排名概率得分法的概率性预测效果比较 | 第72-75页 |
| 5.4 时间成本比较 | 第75页 |
| 5.5 本章小结 | 第75-77页 |
| 第六章 结论与展望 | 第77-79页 |
| 6.1 结论 | 第77页 |
| 6.2 展望 | 第77-79页 |
| 致谢 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 作者简介 | 第85页 |
