基于支持向量机的风力发电超短期风速预测模型研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究的背景及意义 | 第9页 |
| 1.1.1 课题研究的背景 | 第9页 |
| 1.1.2 课题研究的意义 | 第9页 |
| 1.2 风电和风速预测技术的发展现状 | 第9-11页 |
| 1.2.1 世界风电发展现状 | 第9-10页 |
| 1.2.2 中国风电发展现状 | 第10-11页 |
| 1.2.3 风速预测技术的研究现状 | 第11页 |
| 1.3 风速预测方法研究现状 | 第11-14页 |
| 1.3.1 物理模型 | 第11-12页 |
| 1.3.2 统计模型 | 第12-14页 |
| 1.4 风速预测分类 | 第14-15页 |
| 1.5 本文的主要研究内容和结构 | 第15-17页 |
| 第二章 支持向量机理论 | 第17-30页 |
| 2.1 机器学习理论 | 第17-20页 |
| 2.1.1 统计学习理论 | 第17-18页 |
| 2.1.2 VC维的概念 | 第18页 |
| 2.1.3 经验风险最小化 | 第18-20页 |
| 2.2 支持向量机算法 | 第20-26页 |
| 2.2.1 核函数 | 第23-24页 |
| 2.2.2 二次规划的对偶 | 第24-25页 |
| 2.2.3 SVM算法的特点 | 第25-26页 |
| 2.3 支持向量回归机 | 第26-28页 |
| 2.4 SVM和SVR的实现过程 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 单一变量的风速预测模型 | 第30-45页 |
| 3.1 风的特性 | 第30-31页 |
| 3.2 风速的预测策略 | 第31-32页 |
| 3.3 风速的时间序列模型 | 第32-33页 |
| 3.4 基于SVM的风速预测建模 | 第33-40页 |
| 3.4.1 风速预测建模步骤 | 第37-38页 |
| 3.4.2 风速预测数据选择 | 第38-40页 |
| 3.5 SVM和RBF网络建模 | 第40-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 多变量的风速预测模型 | 第45-60页 |
| 4.1 主成分分析 | 第45-49页 |
| 4.1.1 主成分分析的基本思想 | 第45-46页 |
| 4.1.2 主成分分析的数学模型 | 第46-47页 |
| 4.1.3 主成分分析的计算步骤 | 第47-49页 |
| 4.1.4 实验仿真结果 | 第49页 |
| 4.2 SVM中的参数选择 | 第49-53页 |
| 4.2.1 PSO算法参数优化 | 第50-51页 |
| 4.2.2 粒子群优化算法原理 | 第51-53页 |
| 4.3 预测模型的建立 | 第53-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 总结和展望 | 第60-62页 |
| 5.1 本文的主要研究工作总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第66-67页 |
| 致谢 | 第67页 |
