| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 目次 | 第7-9页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究发展现状 | 第11-12页 |
| 1.3 研究不确定性问题的技术难点 | 第12页 |
| 1.4 本文主要研究内容 | 第12-14页 |
| 2 基于WASSERSTEIN概率距离指标的风电/光伏功率最优离散化方法 | 第14-20页 |
| 2.1 WASSERSTEIN概率距离指标 | 第14-15页 |
| 2.2 单时刻风电功率最优离散化方法 | 第15-16页 |
| 2.2.1 风电功率的概率描述 | 第15-16页 |
| 2.2.2 风电功率的最优离散化推导 | 第16页 |
| 2.3 单时刻光伏功率最优离散化方法 | 第16-17页 |
| 2.3.1 光伏功率的概率描述 | 第16-17页 |
| 2.3.2 光伏功率的最优离散化推导 | 第17页 |
| 2.4 功率波动对单时刻分位点数量的影响 | 第17-18页 |
| 2.5 本章小结 | 第18-20页 |
| 3 基于改进型K-MEDOIDS聚类的并行场景集规模消减算法 | 第20-28页 |
| 3.1 场景消减算法概述 | 第20-22页 |
| 3.1.1 场景消减算法的目标及意义 | 第20-21页 |
| 3.1.2 传统场景消减算法 | 第21-22页 |
| 3.2 聚类分析概述 | 第22页 |
| 3.3 改进K-MEDOIDS聚类及并行化 | 第22-25页 |
| 3.3.1 K-MEDOIDS算法概述 | 第22页 |
| 3.3.2 不完全相异度矩阵 | 第22-23页 |
| 3.3.3 搜索范围优化 | 第23-24页 |
| 3.3.4 聚类中心点更新优化 | 第24-25页 |
| 3.3.5 基于CUDA架构的并行化RKC算法 | 第25页 |
| 3.4 场景消减算法的效率分析 | 第25-27页 |
| 3.5 本章小结 | 第27-28页 |
| 4 经典场景集生成算法 | 第28-33页 |
| 4.1 场景分析法概述 | 第28-29页 |
| 4.2 生成经典场景集的算法基础 | 第29-31页 |
| 4.2.1 调度区间的划分方法 | 第29-30页 |
| 4.2.2 场景片段集的笛卡尔积融合 | 第30页 |
| 4.2.3 消减-融合的迭代过程 | 第30-31页 |
| 4.3 经典场景集生成流程 | 第31-32页 |
| 4.4 本章小结 | 第32-33页 |
| 5 含风光水的虚拟电厂日前出力申报随机规划模型 | 第33-46页 |
| 5.1 随机规划模型 | 第33-34页 |
| 5.2 虚拟电厂概述 | 第34-35页 |
| 5.3 采用经典场景集的虚拟电厂随机规划模型 | 第35-37页 |
| 5.4 算例分析 | 第37-45页 |
| 5.4.1 单时刻风电参数分析及其对虚拟电厂出力申报的影响 | 第38-40页 |
| 5.4.2 经典场景集保留概率信息情况分析 | 第40-41页 |
| 5.4.3 经典场景集对大样本抽样逼近程度比较 | 第41-42页 |
| 5.4.4 单时刻场景概率在经典场景集中的回归分析 | 第42-45页 |
| 5.5 本章小结 | 第45-46页 |
| 6 总结与展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 作者简历 | 第50页 |
