| 摘要 | 第10-11页 |
| Abstract | 第11-12页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题研究的背景及意义 | 第13-14页 |
| 1.1.1 课题研究的背景 | 第13-14页 |
| 1.1.2 课题研究的意义 | 第14页 |
| 1.2 风电功率预测研究现状 | 第14-18页 |
| 1.2.1 国外风电预测研究现状 | 第14-15页 |
| 1.2.2 国内风电预测研究现状 | 第15-18页 |
| 1.3 本文主要研究内容 | 第18-19页 |
| 第二章 传统风电功率预测模型原理 | 第19-30页 |
| 2.1 径向基神经网络(RBFNN)理论 | 第19-21页 |
| 2.1.1 径向基神经网络(RBFNN)的基本思想 | 第19-20页 |
| 2.1.2 径向基神经网络(RBFNN)的结构 | 第20-21页 |
| 2.2 支持向量机(SVM)理论 | 第21-24页 |
| 2.2.1 支持向量机的核方法 | 第21-22页 |
| 2.2.2 支持向量机预测模型 | 第22-23页 |
| 2.2.3 高斯核函数的最小二乘支持向量机预测模型 | 第23-24页 |
| 2.3 极限学习机(ELM)理论 | 第24-26页 |
| 2.4 基于核函数的极限学习机(KELM) | 第26-29页 |
| 2.4.1 定义核函数及岭回归系数 | 第26页 |
| 2.4.2 极限学习机的训练原理 | 第26-27页 |
| 2.4.3 核极限学习机(KELM)模型 | 第27-29页 |
| 2.5 预测模型的评价方式 | 第29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 传统风电功率短期预测模型的算例分析 | 第30-39页 |
| 3.1 数据的提取 | 第30页 |
| 3.2 RBFNN与 LS-SVM的风电功率短期预测模型算例分析 | 第30-35页 |
| 3.2.1 基于径向基神经网络(RBFNN)风电功率短期预测模型算例分析 | 第30-32页 |
| 3.2.2 最小二乘支持向量机(LS-SVM)风电功率短期预测模型算例分析 | 第32-35页 |
| 3.3 基于核极限学习机(KELM)风电功率短期预测模型算例分析 | 第35-37页 |
| 3.4 优化原理 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 核极限学习机风电预测模型的优化 | 第39-64页 |
| 4.1 遗传算法(GA)理论 | 第39-43页 |
| 4.1.1 遗传算法(GA)原理 | 第39页 |
| 4.1.2 遗传算法(GA)的特点 | 第39-40页 |
| 4.1.3 遗传操作 | 第40-41页 |
| 4.1.4 基于GA-KELM风电功率短期预测算例分析 | 第41-43页 |
| 4.2 粒子群优化(PSO)算法 | 第43-47页 |
| 4.2.1 粒子群优化(PSO)算法原理 | 第43页 |
| 4.2.2 粒子群优化(PSO)算法特点 | 第43-44页 |
| 4.2.3 PSO算法优化步骤 | 第44-45页 |
| 4.2.4 基于PSO-KELM风电功率短期预测算例分析 | 第45-47页 |
| 4.3 自适应扰动量子粒子群优化算法 | 第47-58页 |
| 4.3.1 量子粒子群算法的基本思想 | 第47-49页 |
| 4.3.2 量子粒子群算法进化方程 | 第49-50页 |
| 4.3.3 量子粒子群优化算法的基本流程与特点 | 第50-52页 |
| 4.3.4 自适应早熟判定准则 | 第52-53页 |
| 4.3.5 平均最优位置增加混合扰动操作 | 第53-54页 |
| 4.3.6 基于ADQPSO-KELM风电功率短期预测算例分析 | 第54-58页 |
| 4.4 PSO、GA与 ADQPSO优化算法的比较 | 第58-59页 |
| 4.5 PSO-KELM、GA-KELM及 ADQPSO-KELM三种模型预测效果分析 | 第59-62页 |
| 4.6 三种对KELM优化的风电功率预测模型稳定性分析 | 第62页 |
| 4.7 本章小结 | 第62-64页 |
| 第五章 多种风电功率短期预测模型综合分析 | 第64-68页 |
| 5.1 风电功率预测模型算例结果对比分析 | 第64-66页 |
| 5.2 风电功率预测模型算例误差分析 | 第66-67页 |
| 5.3 本章小结 | 第67-68页 |
| 第六章 结论与展望 | 第68-70页 |
| 6.1 结论 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73-74页 |
