| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-16页 |
| ·课题的背景及其意义 | 第9-11页 |
| ·风电场功率预测国内外研究现状 | 第11-13页 |
| ·含风电场的电力系统优化调度国内外研究现状 | 第13-15页 |
| ·本文的研究内容 | 第15-16页 |
| 第2章 神经网络法和粒子群算法的基本原理 | 第16-24页 |
| ·神经网络法的基本原理 | 第16-17页 |
| ·人工神经网络的应用领域 | 第16页 |
| ·人工神经网络的特点 | 第16-17页 |
| ·神经网络的学习方法 | 第17页 |
| ·BP神经网络 | 第17-19页 |
| ·BP神经元及BP神经网络模型 | 第17-18页 |
| ·BP神经网络的学习过程 | 第18-19页 |
| ·BP神经网络的不足 | 第19页 |
| ·粒子群算法的基本原理 | 第19-22页 |
| ·粒子群算法的起源 | 第19-20页 |
| ·基本粒子群算法 | 第20-21页 |
| ·惯性权重策略 | 第21页 |
| ·学习因子分析 | 第21-22页 |
| ·多目标粒子群算法 | 第22-23页 |
| ·多目标粒子群算法的具体步骤 | 第22页 |
| ·全局最优位置和个体最优位置选取、粒子速度和位置更新策略 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于改进BP神经网络模型的风电场功率预测 | 第24-32页 |
| ·已有的神经网络模型的不足 | 第24页 |
| ·根据气象数据相似度选取训练数据集的改进BP网络模型 | 第24-27页 |
| ·输入输出数据的选择 | 第24-25页 |
| ·剔除不良数据组 | 第25-26页 |
| ·数据归一化和反归一化 | 第26页 |
| ·气象数据相似度 | 第26页 |
| ·网络结构的确定 | 第26-27页 |
| ·改进BP神经网络模型的建模及预测过程 | 第27-28页 |
| ·预测结果分析 | 第28-31页 |
| ·本章小结 | 第31-32页 |
| 第4章 基于改进多目标粒子群算法的含风电场的电力系统优化调度 | 第32-43页 |
| ·含风电场的电力系统优化调度的数学模型 | 第32-35页 |
| ·优化调度的目标函数 | 第32-34页 |
| ·约束条件 | 第34-35页 |
| ·采用遗传算子的改进多目标粒子群算法 | 第35-38页 |
| ·编码策略 | 第35页 |
| ·初始化机组组合的启发式规则 | 第35-36页 |
| ·选择、交叉和变异 | 第36页 |
| ·机组组合的可行性检查 | 第36-37页 |
| ·负荷分配方案的可行化调整 | 第37页 |
| ·外部档案维护和粒子全局最优解的选取 | 第37-38页 |
| ·模糊决策 | 第38页 |
| ·改进多目标粒子群算法流程 | 第38-40页 |
| ·电力系统优化调度算例分析 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 结论与展望 | 第43-45页 |
| ·结论 | 第43页 |
| ·展望 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 附录 | 第48-50页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第50-51页 |
| 攻读硕士学位期间参加的科研工作 | 第51-52页 |
| 致谢 | 第52-53页 |
| 作者简介 | 第53页 |
