| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 课题背景及研究意义 | 第14-16页 |
| 1.2 风电功率预测技术国内外研究现状 | 第16-20页 |
| 1.2.1 风电功率预测方法的研究现状 | 第16-19页 |
| 1.2.2 风电功率预测系统的研究现状 | 第19-20页 |
| 1.3 含风电电力系统优化调度的国内外研究现状 | 第20-22页 |
| 1.4 课题的主要内容 | 第22-24页 |
| 第2章 基于共轭梯度算法的神经网络风力发电预测 | 第24-42页 |
| 2.1 引言 | 第24-26页 |
| 2.2 基本理论 | 第26-32页 |
| 2.2.1 BP神经网络 | 第26-28页 |
| 2.2.2 最速下降法 | 第28-30页 |
| 2.2.3 共轭梯度法 | 第30-32页 |
| 2.3 基于共轭梯度算法的神经网络预测模型建模 | 第32-33页 |
| 2.4 基于共轭梯度算法的预测模型在风力发电预测中的应用 | 第33-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第3章 基于自适应学习框架和小波神经网络的组合预测 | 第42-62页 |
| 3.1 引言 | 第42-43页 |
| 3.2 基本理论 | 第43-50页 |
| 3.2.1 强化学习理论 | 第43-45页 |
| 3.2.2 强化学习之AC模型和自适应动态规划 | 第45-48页 |
| 3.2.3 小波神经网络预测模型 | 第48-50页 |
| 3.3 基于自适应学习框架和小波神经网络的组合预测模型建模 | 第50-55页 |
| 3.4 基于自适应学习框架的组合预测模型在功率预测中的应用 | 第55-61页 |
| 3.4.1 风力发电预测 | 第55-59页 |
| 3.4.2 电力负荷预测 | 第59-61页 |
| 3.5 本章小结 | 第61-62页 |
| 第4章 基于多目标优化的电力系统静态调度 | 第62-80页 |
| 4.1 引言 | 第62-63页 |
| 4.2 基本理论 | 第63-69页 |
| 4.2.1 多目标优化问题 | 第63-66页 |
| 4.2.2 非支配排序遗传算法 | 第66-68页 |
| 4.2.3 带精英策略的快速非支配排序遗传算法 | 第68-69页 |
| 4.3 含风力发电的电力系统静态多目标优化调度模型 | 第69-73页 |
| 4.3.1 优化目标 | 第69-71页 |
| 4.3.2 约束条件 | 第71-72页 |
| 4.3.3 静态多目标优化调度模型建模 | 第72-73页 |
| 4.4 算例分析 | 第73-79页 |
| 4.5 本章小结 | 第79-80页 |
| 第5章 基于多目标优化的电力系统动态调度 | 第80-101页 |
| 5.1 引言 | 第80-81页 |
| 5.2 含风力发电的电力系统动态多目标优化调度模型 | 第81-86页 |
| 5.2.1 动态多目标优化问题 | 第81页 |
| 5.2.2 优化目标 | 第81-82页 |
| 5.2.3 约束条件 | 第82-84页 |
| 5.2.4 动态多目标优化调度模型建模 | 第84-86页 |
| 5.3 算例分析 | 第86-100页 |
| 5.3.1 基于案例的实验分析 | 第86-92页 |
| 5.3.2 基于功率预测结果的实验分析 | 第92-100页 |
| 5.4 本章小结 | 第100-101页 |
| 第6章 结论与展望 | 第101-103页 |
| 6.1 结论 | 第101-102页 |
| 6.2 展望 | 第102-103页 |
| 参考文献 | 第103-111页 |
| 攻读博士学位期间发表的论文及其它成果 | 第111-112页 |
| 攻读博士学位期间参加的科研工作 | 第112-113页 |
| 致谢 | 第113-114页 |
| 作者简介 | 第114页 |
