| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 第1章 绪论 | 第14-24页 |
| ·课题背景及研究的目的和意义 | 第14-17页 |
| ·风力发电技术研究现状 | 第17-21页 |
| ·风速预测技术研究现状 | 第21-22页 |
| ·论文主要内容和结构安排 | 第22-24页 |
| ·论文主要内容 | 第22-23页 |
| ·论文的结构安排 | 第23-24页 |
| 第2章 短期风速预测基础理论方法 | 第24-38页 |
| ·小波算法 | 第24-29页 |
| ·小波的定义 | 第24-25页 |
| ·连续小波变换与离散小波变换 | 第25页 |
| ·多分辨率分析 | 第25-28页 |
| ·小波分解与重构 | 第28-29页 |
| ·Daubechies小波 | 第29页 |
| ·小波包分析 | 第29-32页 |
| ·小波包定义 | 第29-30页 |
| ·小波包分解与重构算法 | 第30-32页 |
| ·B-P神经网络模型 | 第32-34页 |
| ·BP神经网络学习算法 | 第33-34页 |
| ·最小二乘支持向量机算法 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 第3章 短期风速预测方法研究 | 第38-58页 |
| ·引言 | 第38-39页 |
| ·风速数据预处理和预测效果评价 | 第39-40页 |
| ·风速数据预处理 | 第39-40页 |
| ·预测效果评价方法 | 第40页 |
| ·基于AdaBoost-BP神经网络的短期风速预测 | 第40-45页 |
| ·BP神经网络 | 第40-41页 |
| ·AdaBoost算法 | 第41-45页 |
| ·基于最小二乘支持向量机的短期风速预测 | 第45-47页 |
| ·基于小波包变换的短期风速预测 | 第47-51页 |
| ·短期风速多步预测与信息粒化预测 | 第51-56页 |
| ·风速时间序列多步预测 | 第51-52页 |
| ·风速时间序列信息粒化预测 | 第52页 |
| ·实例分析 | 第52-56页 |
| ·本章小结 | 第56-58页 |
| 第4章 风机功率全程可调策略 | 第58-77页 |
| ·引言 | 第58页 |
| ·风速模型 | 第58-61页 |
| ·风力机模型 | 第61-67页 |
| ·风力机空气动力学 | 第61-63页 |
| ·风机气动简化模型 | 第63-67页 |
| ·传动系统模型 | 第67-68页 |
| ·异步发电机组结构和数学模型 | 第68-69页 |
| ·变桨距执行机构模型 | 第69-70页 |
| ·风电机组整机模型 | 第70页 |
| ·风力机有功功率变桨距全程调节策略 | 第70-74页 |
| ·模拟传统发电厂的风力发电场运行策略 | 第74-76页 |
| ·本章小结 | 第76-77页 |
| 第5章 风电场优化调度策略 | 第77-95页 |
| ·引言 | 第77-78页 |
| ·风电场运行成本分析 | 第78-79页 |
| ·风电场机组特征矩阵与负荷运行特性 | 第79-81页 |
| ·风电场机组聚类分析 | 第81-87页 |
| ·聚类分析中常见的数据类型 | 第81-82页 |
| ·聚类要素的数据处理与划分聚类算法 | 第82-86页 |
| ·基于机组特征矩阵的模糊聚类分析 | 第86-87页 |
| ·基于机组相对损耗指标的风电场负荷优化调度建模 | 第87-91页 |
| ·机组相对损耗指标 | 第87-89页 |
| ·遗传寻优算法 | 第89-91页 |
| ·算例分析 | 第91-94页 |
| ·本章小结 | 第94-95页 |
| 第6章 结论与展望 | 第95-97页 |
| ·结论 | 第95-96页 |
| ·后续工作展望 | 第96-97页 |
| 参考文献 | 第97-104页 |
| 攻读博士学位期间发表的论文及其它成果 | 第104-105页 |
| 攻读博士学位期间参加的科研工作 | 第105-106页 |
| 致谢 | 第106-107页 |
| 作者简介 | 第107页 |