考虑风电并网的短期负荷预测方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-16页 |
| ·课题背景及研究的意义 | 第9-12页 |
| ·国内外风电发展概况 | 第9-10页 |
| ·风力发电的特点 | 第10-11页 |
| ·考虑风电并网的短期负荷预测 | 第11-12页 |
| ·国内外研究动态 | 第12-14页 |
| ·风电场风速、风电功率预测 | 第12-13页 |
| ·短期负荷预测 | 第13-14页 |
| ·本文所做工作 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第2章 风电特性与短期负荷预测 | 第16-26页 |
| ·风电相关特性 | 第16-22页 |
| ·风能特性参数 | 第16-17页 |
| ·风速模型 | 第17-18页 |
| ·风电机组输出功率特性 | 第18-20页 |
| ·风电机组的尾流模型 | 第20-21页 |
| ·风电场的等效模型 | 第21-22页 |
| ·电力系统负荷预测方法 | 第22-24页 |
| ·负荷特性分析 | 第22-23页 |
| ·短期负荷预测原理及方法 | 第23-24页 |
| ·含风电场地区的负荷特点分析 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 基于小波分解和RBF的风速预测模型 | 第26-36页 |
| ·小波分解基础知识 | 第26-30页 |
| ·小波函数 | 第26页 |
| ·连续小波变换与离散小波变换 | 第26-27页 |
| ·多分辨率分析 | 第27-28页 |
| ·基于Mallat算法的信号分解重构 | 第28-30页 |
| ·神经网络模型 | 第30-33页 |
| ·BP神经网络模型 | 第30-31页 |
| ·RBF神经网络模型 | 第31-32页 |
| ·RBF网络的学习算法 | 第32-33页 |
| ·基于小波分解和RBF神经网络的风速预测模型 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 基于灰色遗传算法的短期负荷预测模型 | 第36-50页 |
| ·灰色系统理论 | 第36-43页 |
| ·GM模型的原理及特点 | 第36-37页 |
| ·灰色系统生成方式 | 第37-40页 |
| ·GM(1,1)模型的建立及改进 | 第40-43页 |
| ·遗传算法 | 第43-49页 |
| ·遗传算法的特点 | 第43-44页 |
| ·遗传算法的构成要素及基本流程 | 第44-46页 |
| ·GA关键技术的实现 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 第5章 考虑风电并网的短期负荷预测 | 第50-59页 |
| ·风电场风速及输出功率预测 | 第50-54页 |
| ·基于小波-RBF的短期风速预测 | 第50-52页 |
| ·风电场输出功率预测 | 第52-54页 |
| ·短期负荷预测 | 第54-56页 |
| ·灰色遗传算法的建模 | 第54-55页 |
| ·短期负荷预测结果分析 | 第55-56页 |
| ·等效负荷预测 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第6章 结论与展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64页 |
| 攻读硕士学位期间参加的科研工作 | 第64-65页 |
| 致谢 | 第65页 |
