摘要 | 第5-6页 |
Abstract | 第6-7页 |
目录 | 第8-11页 |
第1章 绪论 | 第11-20页 |
1.1 引言 | 第11页 |
1.2 研究背景及意义 | 第11-15页 |
1.2.1 风电发展概况 | 第11-14页 |
1.2.2 风电功率预测的意义 | 第14-15页 |
1.3 风电功率预测技术研究现状 | 第15-17页 |
1.3.1 风电功率预测方法 | 第15-16页 |
1.3.2 国内外预报系统发展状况 | 第16-17页 |
1.4 风电功率预测面临的主要问题 | 第17-18页 |
1.5 课题来源 | 第18页 |
1.6 本文主要工作 | 第18-20页 |
第2章 风特性及风电功率特性分析 | 第20-34页 |
2.1 风特性分析 | 第20-24页 |
2.1.1 基本概念 | 第20-21页 |
2.1.2 风速的统计分布 | 第21-22页 |
2.1.3 风能及功率密度 | 第22-23页 |
2.1.4 风电功率计算 | 第23-24页 |
2.2 风电功率特性分析 | 第24-32页 |
2.2.1 风电功率的波动性和随机性分析 | 第24-26页 |
2.2.2 不同时间尺度下风电功率波动特性分析 | 第26-28页 |
2.2.3 风电功率的混沌特性 | 第28-32页 |
2.3 风速和风电功率的相关性分析 | 第32-33页 |
2.4 本章小结 | 第33-34页 |
第3章 基于 EMD 分解和相空间重构的风电功率预测 | 第34-47页 |
3.1 EMD 分解 | 第34-35页 |
3.2 相空间重构 | 第35-37页 |
3.2.1 相空间重构定义 | 第35页 |
3.2.2 Cao 算法求嵌入维数 | 第35-36页 |
3.2.3 互信息法求延迟时间 | 第36-37页 |
3.3 支持向量机预测模型 | 第37-38页 |
3.3.1 支持向量机原理 | 第37-38页 |
3.3.2 变异粒子群 | 第38页 |
3.4 算法实施流程 | 第38-42页 |
3.4.1 预测算法流程图 | 第38-39页 |
3.4.2 EMD 分解流程 | 第39-40页 |
3.4.3 相空间重构流程 | 第40页 |
3.4.4 变异 PSO 优化 SVM 流程 | 第40-42页 |
3.5 算例仿真与分析 | 第42-46页 |
3.5.1 预测效果评价指标 | 第42页 |
3.5.2 数据样本选取与处理 | 第42页 |
3.5.3 算例仿真 | 第42-45页 |
3.5.4 误差分析 | 第45-46页 |
3.6 总结 | 第46-47页 |
第4章 基于元学习的风电功率组合预测 | 第47-60页 |
4.1 常用的单项预测模型 | 第47-51页 |
4.1.1 时间序列预测模型 | 第47-48页 |
4.1.2 回归分析预测模型 | 第48页 |
4.1.3 灰色系统预测模型 | 第48-50页 |
4.1.4 神经网络预测模型 | 第50-51页 |
4.2 基于元学习的组合预测 | 第51-53页 |
4.2.1 元学习组合预测原理 | 第51-52页 |
4.2.2 元学习组合预测器结构 | 第52-53页 |
4.2.3 元预测器学习算法 | 第53页 |
4.3 元学习的风电功率组合预测 | 第53-55页 |
4.3.1 数据选取与处理 | 第53-54页 |
4.3.2 基预测器的选取 | 第54页 |
4.3.3 特征属性的选取 | 第54页 |
4.3.4 元预测器学习算法流程 | 第54-55页 |
4.4 算例仿真与分析 | 第55-59页 |
4.4.1 单一模型预测结果与分析 | 第55-57页 |
4.4.2 风电功率组合预测结果与分析 | 第57-59页 |
4.5 总结 | 第59-60页 |
第5章 风电功率预测系统设计与实现 | 第60-67页 |
5.1 引言 | 第60页 |
5.2 需求分析与功能模块 | 第60-61页 |
5.2.1 需求分析 | 第60页 |
5.2.2 系统功能模块 | 第60-61页 |
5.3 系统架构与部署模式 | 第61-64页 |
5.3.1 系统架构 | 第61-62页 |
5.3.2 系统部署模式 | 第62-64页 |
5.4 系统研发与展示 | 第64-66页 |
5.4.1 系统软硬件要求 | 第64页 |
5.4.2 系统展示 | 第64-66页 |
5.5 小结 | 第66-67页 |
结论 | 第67-69页 |
参考文献 | 第69-74页 |
致谢 | 第74-75页 |
附录A 攻读学位期间所发表的学术论文目录 | 第75-76页 |
附录B 攻读学位期间所参加的科研项目目录 | 第76页 |