基于人工智能的短期风电功率组合预测研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-16页 |
| ·课题研究背景及意义 | 第11页 |
| ·国内外研究现状 | 第11-14页 |
| ·国外研究现状 | 第11-13页 |
| ·国内研究现状 | 第13-14页 |
| ·本文研究的内容 | 第14-16页 |
| 第2章 短期风电功率预测 | 第16-32页 |
| ·短期风电功率预测的基本方法 | 第16-19页 |
| ·物理预测方法 | 第16-17页 |
| ·统计预测方法 | 第17-19页 |
| ·短期风电功率预测误差分析 | 第19-22页 |
| ·预测误差产生的原因 | 第19-20页 |
| ·提高预测准确度的手段 | 第20-21页 |
| ·预测误差的评价指标 | 第21-22页 |
| ·短期风电功率预测机制的流程 | 第22-24页 |
| ·基于两种既有人工智能的短期风电功率预测方法 | 第24-31页 |
| ·基于相似日法的短期风电功率预测 | 第25-26页 |
| ·基于LS-SVM法的短期风电功率预测 | 第26-29页 |
| ·预测结果及分析 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 基于RBF神经网络法的短期风电功率预测 | 第32-43页 |
| ·RBF神经网络 | 第32-33页 |
| ·RBF神经网络的基本理论 | 第32-33页 |
| ·训练及学习 | 第33页 |
| ·基于改进模糊C-均值聚类算法的综合聚类算法 | 第33-39页 |
| ·改进模糊C-均值聚类算法 | 第33-38页 |
| ·综合聚类算法 | 第38-39页 |
| ·基于RBF神经网络的短期风电功率预测分析 | 第39-42页 |
| ·基于RBF神经网络的短期风电功率预测方法 | 第39-40页 |
| ·预测结果及分析 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 短期风电功率的组合预测 | 第43-56页 |
| ·组合预测基本理论 | 第43-46页 |
| ·组合预测的原理及意义 | 第43-44页 |
| ·组合预测的影响因素 | 第44页 |
| ·组合预测的基本方法 | 第44-46页 |
| ·短期风电功率的最优组合预测 | 第46-51页 |
| ·IOWGA算子 | 第46-47页 |
| ·基于灰关联度的IOWGA算子的组合预测方法 | 第47-48页 |
| ·短期风电功率的最优组合预测方法 | 第48-51页 |
| ·组合预测结果及对比分析 | 第51-55页 |
| ·组合预测结果及分析 | 第51-54页 |
| ·不同方法预测效果对比分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 结论与展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第64页 |
