| 目录 | 第1-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-11页 |
| 插图索引 | 第11-13页 |
| 第1章 绪论 | 第13-19页 |
| ·课题背景及研究意义 | 第13-14页 |
| ·课题背景 | 第13页 |
| ·课题意义 | 第13-14页 |
| ·风力发电技术的研究现状 | 第14-17页 |
| ·风力发电系统的研究现状 | 第14-16页 |
| ·最大功率追踪控制策略的研究现状 | 第16-17页 |
| ·本论文的主要工作 | 第17-19页 |
| 第2章 直驱式永磁同步风力发电系统 | 第19-32页 |
| ·系统介绍 | 第19页 |
| ·风力机控制 | 第19-23页 |
| ·风力机的功率特性 | 第20-21页 |
| ·风力机发电机运行原理 | 第21-23页 |
| ·发电机与逆变器控制 | 第23-28页 |
| ·发电机控制 | 第23-24页 |
| ·仿真研究 | 第24-27页 |
| ·逆变器控制 | 第27-28页 |
| ·控制系统中的风速估计 | 第28-31页 |
| ·风速特性 | 第28页 |
| ·风速估计模型 | 第28-29页 |
| ·风速估计的样本数据 | 第29-31页 |
| ·小结 | 第31-32页 |
| 第3章 基于IPSO算法的RBF神经网络的风速预测 | 第32-50页 |
| ·粒子群优化算法介绍 | 第32-36页 |
| ·标准粒子群优化算法 | 第32-33页 |
| ·PSO算法收敛性分析 | 第33-34页 |
| ·学习因子线性变化的粒子群算法 | 第34-36页 |
| ·人工神经网络 | 第36-38页 |
| ·神经元模型 | 第36-37页 |
| ·神经网络的激活函数 | 第37-38页 |
| ·RBF神经网络 | 第38-43页 |
| ·RBF网络的结构及特点 | 第39-40页 |
| ·RBF神经网络隐含层单元数量的确定方法 | 第40-41页 |
| ·RBF神经网络权值算法研究 | 第41-43页 |
| ·基于IPSO算法的RBF神经网络的优化设计 | 第43-47页 |
| ·基于IPSO-RBF神经网络在风速预测中的应用 | 第47-49页 |
| ·神经网络模型的建立 | 第47页 |
| ·仿真结果分析 | 第47-49页 |
| ·小结 | 第49-50页 |
| 第4章 基于最小二乘支持向量机的风速预测 | 第50-66页 |
| ·概述 | 第50页 |
| ·统计学习理论 | 第50-53页 |
| ·VC维 | 第50-51页 |
| ·推广型的界 | 第51页 |
| ·结构风险最小化 | 第51-53页 |
| ·支持向量机分类 | 第53-57页 |
| ·最优分割超平面 | 第53-54页 |
| ·线性SVM | 第54-56页 |
| ·非线性SVM | 第56-57页 |
| ·核函数的选取 | 第57-58页 |
| ·支持向量机的回归分析 | 第58-61页 |
| ·支持向量机回归原理 | 第58-60页 |
| ·回归算法 | 第60-61页 |
| ·最小二乘支持向量机原理 | 第61-63页 |
| ·基于LS-SVM的风速估预测研究 | 第63-65页 |
| ·基于LS-SVM的风速预测模型 | 第63页 |
| ·核函数的构造和参数选择 | 第63-64页 |
| ·仿真结果分析 | 第64-65页 |
| ·小结 | 第65-66页 |
| 结论与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第73页 |