| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 主要符号表 | 第15-16页 |
| 1 绪论 | 第16-25页 |
| 1.1 引言 | 第16页 |
| 1.2 课题研究背景及意义 | 第16-18页 |
| 1.3 风光功率预测的国内外研究现状 | 第18-20页 |
| 1.3.1 风光功率预测的国外研究现状 | 第18-19页 |
| 1.3.2 风光功率预测的国内研究现状 | 第19-20页 |
| 1.4 分布式风光发电功率的预测方法和模型研究 | 第20-23页 |
| 1.4.1 分布式风光发电功率预测方法 | 第20-22页 |
| 1.4.2 分布式风光一体化发电功率预测系统模型 | 第22-23页 |
| 1.5 本文主要研究工作 | 第23-24页 |
| 1.6 小结 | 第24-25页 |
| 2 建立小型风力发电机的短期功率预测模型 | 第25-45页 |
| 2.1 引言 | 第25页 |
| 2.2 聚类分析理论应用研究 | 第25-33页 |
| 2.2.1 相似性量度 | 第25-27页 |
| 2.2.2 聚类准则 | 第27-28页 |
| 2.2.3 聚类方法 | 第28-31页 |
| 2.2.4 预处理小型风力发电机参数数据聚类分析计算 | 第31-33页 |
| 2.3 混沌相空间重构的神经网络建模研究 | 第33-38页 |
| 2.3.1 混沌理论基础 | 第33-34页 |
| 2.3.2 相空间重构理论及方法 | 第34-35页 |
| 2.3.3 神经网络应用研究 | 第35-36页 |
| 2.3.4 混沌相空间重构的神经网络建立小型风力发电机预测模型的仿真分析 | 第36-38页 |
| 2.4 粗糙集理论应用研究 | 第38-44页 |
| 2.4.1 基本概念 | 第38-39页 |
| 2.4.2 连续属性离散化 | 第39-41页 |
| 2.4.3 粗糙集理论修正小型风力发电机预测功率值的仿真分析 | 第41-44页 |
| 2.5 小结 | 第44-45页 |
| 3 建立分布式光伏的短期功率预测模型 | 第45-52页 |
| 3.1 引言 | 第45页 |
| 3.2 自适应混沌搜索空间修正的神经网络算法 | 第45-49页 |
| 3.2.1 粒子群优化算法 | 第45-47页 |
| 3.2.2 混沌优化算法 | 第47页 |
| 3.2.3 自适应混沌搜索的空间修正BP法 | 第47-49页 |
| 3.3 仿真实例分析 | 第49-51页 |
| 3.4 小结 | 第51-52页 |
| 4 风光一体化功率预测模型的修正 | 第52-61页 |
| 4.1 引言 | 第52页 |
| 4.2 组合预测方法 | 第52-56页 |
| 4.2.1 线性组合预测 | 第52-55页 |
| 4.2.2 非线性组合预测 | 第55页 |
| 4.2.3 风光一体化功率预测的神经网络组合应用 | 第55-56页 |
| 4.3 仿真实例分析 | 第56-60页 |
| 4.4 小结 | 第60-61页 |
| 5 风光一体化功率预测系统的结构功能设计 | 第61-79页 |
| 5.1 引言 | 第61页 |
| 5.2 风光一体化系统结构设计 | 第61-76页 |
| 5.2.1 系统设计框图 | 第61-64页 |
| 5.2.2 系统通信及接口设计 | 第64-65页 |
| 5.2.3 系统界面设计 | 第65-76页 |
| 5.3 风光一体化系统功能设计 | 第76-78页 |
| 5.3.1 系统预测尺度功能 | 第76-77页 |
| 5.3.2 数据采集功能 | 第77页 |
| 5.3.3 系统软件主要预测功能 | 第77-78页 |
| 5.4 小结 | 第78-79页 |
| 6 结论与展望 | 第79-81页 |
| 6.1 结论与创新点 | 第79-80页 |
| 6.2 创新点摘要 | 第80页 |
| 6.3 展望 | 第80-81页 |
| 参考文献 | 第81-88页 |
| 攻读硕士学位期间科研项目及研究成果 | 第88-89页 |
| 致谢 | 第89-90页 |
| 作者简介 | 第90-91页 |
