| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第16-26页 |
| 1.1 课题研究背景及意义 | 第16-18页 |
| 1.2 国内外风电事业发展现状 | 第18-20页 |
| 1.3 风电功率预测的分类及其预测模型 | 第20-24页 |
| 1.3.1 风电功率预测分类 | 第20-21页 |
| 1.3.2 风电功率预测模型 | 第21-24页 |
| 1.4 风电功率预测的评价指标 | 第24-25页 |
| 1.5 本文主要研究内容 | 第25页 |
| 1.6 本章小结 | 第25-26页 |
| 第二章 基于改进型BP神经网络风电功率预测 | 第26-60页 |
| 2.1 BP神经网络 | 第26-31页 |
| 2.1.1 BP神经网络的原理与结构 | 第26-28页 |
| 2.1.2 BP神经网络的学习过程 | 第28-30页 |
| 2.1.3 BP神经网络的不足与改进 | 第30-31页 |
| 2.2 多元时间序列确定神经网络的输入 | 第31-35页 |
| 2.2.1 多元时间序列模型的结构 | 第31-32页 |
| 2.2.2 多元时间序列模型的建立 | 第32-35页 |
| 2.2.3 多元时间序列确定神经网络的输入个数 | 第35页 |
| 2.3 改进型粒子群算法优化BP神经网络学习算法 | 第35-40页 |
| 2.3.1 标准粒子群算法原理 | 第36页 |
| 2.3.2 改进型粒子群算法 | 第36-40页 |
| 2.3.3 改进型粒子群算法优化BP神经网络 | 第40页 |
| 2.4 基于灰关联-灵敏度的BP神经网络隐含层结构优化 | 第40-46页 |
| 2.4.1 灰关联剪枝法 | 第41-42页 |
| 2.4.2 灵敏度剪枝法 | 第42-44页 |
| 2.4.3 基于灰关联-灵敏度的BP神经网络隐含层结构优化 | 第44-46页 |
| 2.5 仿真研究 | 第46-58页 |
| 2.5.1 神经网络输入变量的确定 | 第46-52页 |
| 2.5.2 基于改进型的BP神经网络的风电功率预测 | 第52-58页 |
| 2.6 本章小结 | 第58-60页 |
| 第三章 基于结构优化的RBF和小波神经网络风电功率预测 | 第60-88页 |
| 3.1 基于结构优化的RBF神经网络功率预测 | 第60-73页 |
| 3.1.1 RBF神经网络原理与结构 | 第60-62页 |
| 3.1.2 基于结构优化的RBF神经网络的建立 | 第62-65页 |
| 3.1.3 基于结构优化的RBF神经网络风电功率预测 | 第65-66页 |
| 3.1.4 仿真研究 | 第66-73页 |
| 3.2 基于结构优化的小波神经网络的风电功率预测 | 第73-87页 |
| 3.2.1 小波神经网络的结构及原理 | 第74-75页 |
| 3.2.2 基于结构优化的小波神经网络的建立 | 第75-77页 |
| 3.2.3 基于结构优化的小波神经网络风电功率预测 | 第77-79页 |
| 3.2.4 仿真研究 | 第79-87页 |
| 3.3 本章小结 | 第87-88页 |
| 第四章 基于一元时间序列的卡尔曼滤波算法的风电功率预测 | 第88-100页 |
| 4.1 一元时间序列 | 第88-91页 |
| 4.1.1 一元时间序列模型结构 | 第88-90页 |
| 4.1.2 一元时间序列预测模型的建模步骤 | 第90-91页 |
| 4.2 卡尔曼滤波算法的原理 | 第91-93页 |
| 4.3 基于一元时间序列的卡尔曼滤波算法的风电功率预测 | 第93-95页 |
| 4.4 仿真研究 | 第95-98页 |
| 4.5 本章小结 | 第98-100页 |
| 第五章 结论与展望 | 第100-104页 |
| 5.1 单一模型的比较 | 第100-101页 |
| 5.2 结论 | 第101-102页 |
| 5.3 展望 | 第102-104页 |
| 参考文献 | 第104-108页 |
| 致谢 | 第108-110页 |
| 攻读学位期间发表的学术论文 | 第110页 |
