| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 课题背景与意义 | 第10-13页 |
| 1.1.1 课题背景 | 第10-13页 |
| 1.1.2 课题研究意义 | 第13页 |
| 1.2 风电预测国内外发展现状 | 第13-17页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-17页 |
| 1.3 课题研究内容 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 2 风电数据处理 | 第19-29页 |
| 2.1 数据准备与来源 | 第19-21页 |
| 2.2 风电场输出功率的影响因素及参数选择 | 第21-23页 |
| 2.3 风电数据检验 | 第23-26页 |
| 2.3.1 功率数据筛选 | 第23页 |
| 2.3.2 测风数据异常趋势甄别 | 第23-24页 |
| 2.3.3 测风数据异常数据的甄别 | 第24-25页 |
| 2.3.4 测风数据检检验结果 | 第25-26页 |
| 2.4 数据处理 | 第26-28页 |
| 2.4.1 异常数据处理 | 第26-27页 |
| 2.4.2 数据归一化处理 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 风电场输出功率预测及误差评价 | 第29-37页 |
| 3.1 风电预报 | 第29-30页 |
| 3.2 预测方法分类 | 第30-32页 |
| 3.2.1 根据预测对象分类 | 第30页 |
| 3.2.2 根据数学模型分类 | 第30-31页 |
| 3.2.3 根据输入数据分类 | 第31-32页 |
| 3.3 甘肃地区预测误差现状及评价 | 第32-36页 |
| 3.3.1 酒泉风电基地当前预测误差分布 | 第32-35页 |
| 3.3.2 预测误差产生的原因分析 | 第35页 |
| 3.3.3 误差评价指标 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于改进Elman神经网络的短期风电功率预测研究 | 第37-47页 |
| 4.1 BP神经网络 | 第37-39页 |
| 4.1.1 BP神经网络结构 | 第37页 |
| 4.1.2 学习算法 | 第37-39页 |
| 4.2 Elman神经网络 | 第39-42页 |
| 4.2.1 Elman神经网络结构 | 第39-41页 |
| 4.2.2 学习算法 | 第41-42页 |
| 4.3 Elman神经网络改进 | 第42-43页 |
| 4.4 改进Elman神经网络建模 | 第43页 |
| 4.5 实例分析 | 第43-45页 |
| 4.6 Elman模型的局限性与改进方法 | 第45-46页 |
| 4.7 本章小结 | 第46-47页 |
| 5 基于主成分与自适应果蝇Elman神经网络的风电功率预测研究 | 第47-60页 |
| 5.1 果蝇优化算法分析与改进 | 第47-51页 |
| 5.1.1 算法的基本原理 | 第47-48页 |
| 5.1.2 果蝇算法全局寻优步骤 | 第48-49页 |
| 5.1.3 果蝇算法优缺点分析 | 第49页 |
| 5.1.4 算法改进 | 第49-51页 |
| 5.2 基于自适应FOA算法的Elman神经网络预测模型 | 第51-55页 |
| 5.2.1 基于自适应FOA算法的Elman神经网络 | 第51-53页 |
| 5.2.2 算例分析 | 第53-55页 |
| 5.3 基于主成分与自适应果蝇Elman神经网络的风电功率预测 | 第55-59页 |
| 5.3.1 主成分分析法 | 第55页 |
| 5.3.2 输入变量分析 | 第55-56页 |
| 5.3.3 算例分析 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读学位期间的研究成果 | 第66页 |
