| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 风力发电现状 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 选题依据及意义 | 第10-12页 |
| 1.4 风电功率短期预测方法 | 第12-13页 |
| 1.5 本文研究内容和章节安排 | 第13-16页 |
| 第2章 基于随机时间序列法的短期风速预测 | 第16-27页 |
| 2.1 时间序列概述 | 第16页 |
| 2.2 平稳时间序列及其模型 | 第16-18页 |
| 2.3 非平稳时间序列及其模型 | 第18-19页 |
| 2.4 时间序列ARIMA模型的建立过程 | 第19-22页 |
| 2.5 仿真分析 | 第22-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于RBF神经网络的短期风速预测 | 第27-33页 |
| 3.1 RBF神经网络概述 | 第27页 |
| 3.2 RBF网络的基本理论 | 第27-28页 |
| 3.3 RBF网络结构 | 第28-29页 |
| 3.4 RBF网络常用学习算法 | 第29-30页 |
| 3.5 RBF神经网络的MATLAB实现 | 第30-31页 |
| 3.6 仿真分析 | 第31-32页 |
| 3.7 本章小结 | 第32-33页 |
| 第4章 基于支持向量机的短期风速预测 | 第33-46页 |
| 4.1 支持向量机的基本思想 | 第33页 |
| 4.2 线性分类器 | 第33-36页 |
| 4.3 近似线性可分问题 | 第36-38页 |
| 4.4 线性不可分问题和核函数 | 第38-39页 |
| 4.4.1 SVM常用的核函数 | 第38-39页 |
| 4.5 支持向量回归机 | 第39-40页 |
| 4.6 基本粒子群算法 | 第40-42页 |
| 4.6.1 粒子群算法概述 | 第40-41页 |
| 4.6.2 基本粒子群算法的实现 | 第41-42页 |
| 4.7 改进的粒子群优化算法(MPSO) | 第42-44页 |
| 4.7.1 改进粒子群算法的实现流程 | 第43-44页 |
| 4.8 仿真分析 | 第44-45页 |
| 4.9 本章小结 | 第45-46页 |
| 第5章 基于小波变换和改进粒子群算法的短期风速预测 | 第46-56页 |
| 5.1 小波概述 | 第46页 |
| 5.2 小波的定义 | 第46-47页 |
| 5.3 小波变换 | 第47-50页 |
| 5.3.1 小波变换及小波变换原理 | 第47-48页 |
| 5.3.2 连续小波变换 | 第48-49页 |
| 5.3.3 离散小波变换 | 第49-50页 |
| 5.4 多分辨分析 | 第50-52页 |
| 5.5 Mallat算法 | 第52页 |
| 5.6 小波函数的选择标准 | 第52-54页 |
| 5.6.1 常用小波及其性质 | 第52-53页 |
| 5.6.2 小波函数选择标准 | 第53-54页 |
| 5.7 仿真分析 | 第54-55页 |
| 5.8 本章小结 | 第55-56页 |
| 第6章 风电功率预测及风电功率预测的界面实现 | 第56-64页 |
| 6.1 风电功率预测 | 第56页 |
| 6.2 预测效果评估指标 | 第56-57页 |
| 6.3 不同预测模型预测结果分析和讨论 | 第57-61页 |
| 6.4 风电功率预测的界面实现 | 第61-63页 |
| 6.4.1 MATLAB GUI简介 | 第61-62页 |
| 6.4.2 风电场风电功率预测的界面实现 | 第62-63页 |
| 6.5 本章小结 | 第63-64页 |
| 第7章 结论和展望 | 第64-66页 |
| 7.1 结论 | 第64页 |
| 7.2 展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 攻读学位期间的研究成果 | 第70页 |