| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 风电功率预测分类 | 第12-13页 |
| 1.2.2 风电功率预测国外现状 | 第13页 |
| 1.2.3 风电功率预测国内现状 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14-16页 |
| 第2章 基于混合分布模型的风电功率波动特性研究 | 第16-32页 |
| 2.1 风电功率波动的概率分布 | 第16-17页 |
| 2.2 混合分布模型 | 第17-18页 |
| 2.3 聚类分析 | 第18-19页 |
| 2.3.1 k均值聚类 | 第18页 |
| 2.3.2 混合t Location-scale分布参数确定 | 第18-19页 |
| 2.4 算例分析 | 第19-31页 |
| 2.4.1 数据说明 | 第19页 |
| 2.4.2 评价指标 | 第19-20页 |
| 2.4.3 风电场风电功率波动的时间分布特性 | 第20-25页 |
| 2.4.4 风电场风电功率波动的空间分布特性 | 第25-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 超短期风电功率多步预测方法研究 | 第32-42页 |
| 3.1 基于相关性分析及K近邻算法的多输出预测模型 | 第32-37页 |
| 3.1.1 相关性分析 | 第32页 |
| 3.1.2 K近邻算法 | 第32页 |
| 3.1.3 物理机理 | 第32-33页 |
| 3.1.4 实现步骤 | 第33-34页 |
| 3.1.5 算例分析 | 第34-37页 |
| 3.2 自适应神经模糊推理系统组合预测模型 | 第37-40页 |
| 3.2.1 组合预测 | 第37-39页 |
| 3.2.2 算例验证 | 第39-40页 |
| 3.3 本章小结 | 第40-42页 |
| 第4章 基于混合分布模型的风电功率预测误差分析 | 第42-53页 |
| 4.1 风电功率预测误差分析 | 第42-44页 |
| 4.2 分布模型参数估计与评价 | 第44-45页 |
| 4.2.1 单一分布模型和混合分布模型 | 第44页 |
| 4.2.2 分布模型参数估计 | 第44页 |
| 4.2.3 拟合优度评价指标 | 第44-45页 |
| 4.3 算例分析 | 第45-52页 |
| 4.3.1 数据说明 | 第45页 |
| 4.3.2 风电功率预测区段的划分 | 第45页 |
| 4.3.3 预测误差的概率密度函数和累积概率函数 | 第45-51页 |
| 4.3.4 区段划分数量对拟合效果的影响分析 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 风电功率的可预测性研究 | 第53-63页 |
| 5.1 风电功率时间序列的可预测性分析 | 第53页 |
| 5.2 近似熵及其定量刻画指标 | 第53-55页 |
| 5.2.1 近似熵理论 | 第53-54页 |
| 5.2.2 近似熵算法的物理意义 | 第54-55页 |
| 5.3 近似熵在风电功率预测中的应用 | 第55-56页 |
| 5.3.1 可预测性分析及算法流程 | 第55-56页 |
| 5.3.2 可预测系数 | 第56页 |
| 5.4 算例分析 | 第56-61页 |
| 5.4.1 风电机组汇聚 | 第56-58页 |
| 5.4.2 可预测性定量分析 | 第58-60页 |
| 5.4.3 可预测性指标验证 | 第60-61页 |
| 5.5 本章小结 | 第61-63页 |
| 结论 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第68-69页 |
| 致谢 | 第69页 |