| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.1.1 课题研究背景 | 第11-13页 |
| 1.1.2 课题研究的目的和意义 | 第13页 |
| 1.2 风电场功率预测方法的分类 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-17页 |
| 1.3.1 风电场分组建模的研究 | 第14-16页 |
| 1.3.2 风电场分组功率预测的研究现状 | 第16页 |
| 1.3.3 存在的主要问题及发展方向 | 第16-17页 |
| 1.4 论文的主要研究内容 | 第17-18页 |
| 1.5 论文的组织结构与章节安排 | 第18-19页 |
| 第2章 聚类算法的选取及模型构造 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 聚类算法模型原理 | 第19-22页 |
| 2.2.1 聚类分析的基本知识 | 第19-20页 |
| 2.2.2 聚类算法的分类 | 第20-21页 |
| 2.2.3 聚类的相似性度量方法 | 第21-22页 |
| 2.3 聚类算法建模思路 | 第22-27页 |
| 2.3.1 K-means聚类模型 | 第23页 |
| 2.3.2 模糊C均值聚类模型 | 第23-24页 |
| 2.3.3 自组织特征映射神经网络模型 | 第24-25页 |
| 2.3.4 遗传算法优化蚁群聚类模型 | 第25-26页 |
| 2.3.5 谱聚类模型 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 风电场分组模型输入参量研究 | 第29-45页 |
| 3.1 引言 | 第29页 |
| 3.2 风电场分组模型输入变量 | 第29-32页 |
| 3.2.1 输入变量选取 | 第29-31页 |
| 3.2.2 风速和功率对模型精度的影响 | 第31-32页 |
| 3.3 风电场分组个数确定 | 第32-44页 |
| 3.3.1 基于轮廓系数确定分组个数 | 第33-38页 |
| 3.3.2 基于霍普金斯统计量确定分组个数 | 第38-42页 |
| 3.3.3 风电场分组个数的验证 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于聚类算法的风电场分组模型研究 | 第45-56页 |
| 4.1 引言 | 第45页 |
| 4.2 聚类质量评价指标 | 第45-46页 |
| 4.3 基于相关性分析法选取组内代表机组 | 第46-48页 |
| 4.3.1 相关性分析法 | 第46-47页 |
| 4.3.2 机组群内代表机组选取 | 第47-48页 |
| 4.4 建立风电场分组模型 | 第48-50页 |
| 4.4.1 输入变量归一化及降维处理 | 第48-49页 |
| 4.4.2 模型结构及建模过程 | 第49-50页 |
| 4.5 算例及分析 | 第50-55页 |
| 4.5.1 数据及预处理 | 第50-52页 |
| 4.5.2 模型计算效率分析 | 第52-53页 |
| 4.5.3 风电场分组结果与分析 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 风电场分组模型在功率预测中的应用及适用性分析 | 第56-66页 |
| 5.1 引言 | 第56页 |
| 5.2 RBF神经网络预测模型 | 第56-58页 |
| 5.2.1 RBF神经网络 | 第56-57页 |
| 5.2.2 模型构建 | 第57页 |
| 5.2.3 预测精度评价指标 | 第57-58页 |
| 5.3 基于分位数回归方法的不确定性分析模型 | 第58-60页 |
| 5.3.1 分位数回归方法 | 第58-59页 |
| 5.3.2 模型构建 | 第59-60页 |
| 5.4 算例及分析 | 第60-65页 |
| 5.4.1 数据 | 第60页 |
| 5.4.2 功率预测结果对比分析 | 第60-63页 |
| 5.4.3 模型适用性分析 | 第63-64页 |
| 5.4.4 不确定性结果与分析 | 第64-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66页 |
| 6.2 论文创新点 | 第66-67页 |
| 6.3 研究展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第74-75页 |
| 致谢 | 第75页 |