基于相邻风场大数据的风电短期功率预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 背景及意义 | 第10-13页 |
| 1.1.1 风电发展背景 | 第10-11页 |
| 1.1.2 大数据发展背景 | 第11-12页 |
| 1.1.3 本文研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 统计回归方法 | 第13-15页 |
| 1.2.2 机器学习方法 | 第15-16页 |
| 1.2.3 风电功率预测系统 | 第16-17页 |
| 1.2.4 组合预测方法 | 第17-18页 |
| 1.3 风电功率预测特点 | 第18-19页 |
| 1.4 本文的主要工作及研究内容 | 第19-20页 |
| 第2章 深度学习理论 | 第20-27页 |
| 2.1 深度学习算法概述 | 第20-21页 |
| 2.2 卷积神经网络（CNNs）原理 | 第21-25页 |
| 2.2.1 CNNs网络概述 | 第21-22页 |
| 2.2.2 卷积运算 | 第22-23页 |
| 2.2.3 采样运算 | 第23页 |
| 2.2.4 网络学习 | 第23-25页 |
| 2.3 CNNs网络用于风电短期功率预测的优势 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 相邻风场大数据的研究 | 第27-41页 |
| 3.1 概述 | 第27-28页 |
| 3.2 风场功率的统计分析 | 第28-32页 |
| 3.2.1 样本总体统计分析 | 第29-31页 |
| 3.2.2 极端样本统计分析 | 第31-32页 |
| 3.3 相邻风场大数据关联性研究 | 第32-39页 |
| 3.3.1 变量总体关联性研究 | 第33-35页 |
| 3.3.2 极端情形关联性研究 | 第35-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 风电短期功率CNNs预测 | 第41-57页 |
| 4.1 模型的输入与输出 | 第41-45页 |
| 4.1.1 样本构成 | 第41-42页 |
| 4.1.2 输入数据重构 | 第42-44页 |
| 4.1.3 模型输出方式 | 第44-45页 |
| 4.2 CNNs网络初始化 | 第45-46页 |
| 4.3 模型训练 | 第46-48页 |
| 4.4 模型结果分析 | 第48-51页 |
| 4.4.1 不同时间节点的预测效果 | 第49页 |
| 4.4.2 不同功率的预测效果 | 第49-51页 |
| 4.5 不同方法的预测效果横向比较 | 第51-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第5章 组合预测 | 第57-62页 |
| 5.1 组合预测权重的确定 | 第57-59页 |
| 5.2 组合模型结果的分析 | 第59-60页 |
| 5.2.1 组合模型和独立模型的结果对比 | 第59-60页 |
| 5.2.2 不同权重下组合模型的结果对比 | 第60页 |
| 5.3 本章小结 | 第60-62页 |
| 第6章 研究成果和结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第68-69页 |
| 致谢 | 第69页 |
