| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·选题背景及意义 | 第8-9页 |
| ·风电功率预测技术和方法 | 第9-12页 |
| ·不采用数值天气预报的预测模型 | 第10页 |
| ·采用数值天气预报的预测模型 | 第10-12页 |
| ·风电功率预测研究动态 | 第12-15页 |
| ·国外研究现状 | 第12-13页 |
| ·国内研究现状 | 第13-14页 |
| ·预测风险和不确定性预测 | 第14-15页 |
| ·本文的主要工作及研究内容 | 第15-16页 |
| 第二章 基于随机时间序列模型的短期风电功率预测 | 第16-35页 |
| ·时间序列的ARMA 模型 | 第16-20页 |
| ·ARMA 模型形式 | 第16-17页 |
| ·ARMA 建模过程 | 第17-20页 |
| ·ARMA 模型预测 | 第20页 |
| ·时间序列的GARCH 模型 | 第20-23页 |
| ·GARCH 模型 | 第20-22页 |
| ·GARCH 建模 | 第22-23页 |
| ·风电功率预测的ARMAX-GARCH 模型 | 第23-24页 |
| ·ARMAX 模型 | 第23页 |
| ·ARMAX-GARCH 模型 | 第23-24页 |
| ·ARMAX(n,m,Ny)-GARCH(p,q)建模过程 | 第24页 |
| ·算例分析 | 第24-34页 |
| ·风电功率预测误差评价指标 | 第25页 |
| ·数据预处理 | 第25-29页 |
| ·基于ARMA 的短期风电功率预测 | 第29-31页 |
| ·基于ARMAX-GARCH 的短期风电功率预测 | 第31-34页 |
| ·小结 | 第34-35页 |
| 第三章 基于小波分析和改进BP 神经网络的短期风电功率预测 | 第35-45页 |
| ·小波分析理论 | 第35-37页 |
| ·小波变换 | 第35页 |
| ·Mallat 算法 | 第35-37页 |
| ·BP 神经网络 | 第37-39页 |
| ·BP 神经网络 | 第37页 |
| ·训练算法的改进 | 第37-38页 |
| ·隐层神经元的网络修剪 | 第38-39页 |
| ·基于小波分解和BP 神经网络的短期风电功率预测 | 第39-44页 |
| ·样本预处理 | 第39页 |
| ·基于小波分解的改进BP 神经网络预测模型 | 第39-40页 |
| ·算例分析 | 第40-44页 |
| ·小结 | 第44-45页 |
| 第四章 短期风电功率的不确定性预测 | 第45-56页 |
| ·不确定性预测概述 | 第45-47页 |
| ·不确定性预测 | 第45-46页 |
| ·国外研究现状 | 第46-47页 |
| ·风机输出功率的条件概率密度分布 | 第47-53页 |
| ·风机输出功率变化特性 | 第47-48页 |
| ·功率的条件概率分布特征 | 第48-50页 |
| ·功率的条件概率分布拟合 | 第50-53页 |
| ·基于功率条件概率分布的不确定性预测 | 第53-55页 |
| ·风电功率的置信区间估计 | 第53页 |
| ·算例分析 | 第53-55页 |
| ·小结 | 第55-56页 |
| 第五章 基于模糊聚类分析的超短期/短期风电功率连续预测 | 第56-63页 |
| ·风电功率的连续预测 | 第56-57页 |
| ·基于模糊聚类的风电功率连续预测 | 第57-60页 |
| ·模糊聚类分析 | 第57-58页 |
| ·基于模糊聚类的连续预测 | 第58-60页 |
| ·算例分析 | 第60-62页 |
| ·小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 发表论文和参加科研情况说明 | 第69-70页 |
| 致谢 | 第70页 |