| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究背景 | 第10-12页 |
| 1.2 研究现状 | 第12-17页 |
| 1.2.1 风电波动特性的研究现状 | 第12-13页 |
| 1.2.2 风电功率预测的研究现状 | 第13-16页 |
| 1.2.3 风电功率预测不确定性分析的研究现状 | 第16-17页 |
| 1.3 存在的问题 | 第17页 |
| 1.4 论文的研究目的和主要内容 | 第17-19页 |
| 第2章 风波动过程对风电机组输出功率的影响 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 构建风速和功率波动指标 | 第19-20页 |
| 2.3 建立基于k-means的风波动过程类别的划分模型 | 第20-26页 |
| 2.3.1 k-means聚类建模 | 第20-21页 |
| 2.3.2 实例分析 | 第21-26页 |
| 2.4 不同风过程下机组出力特性分析 | 第26-34页 |
| 2.4.1 建立动态时间规整(DTW)模型 | 第26-27页 |
| 2.4.2 相似风过程类型下发电功率变化分析 | 第27-33页 |
| 2.4.3 对比不同风过程类型下机组实际功率与理论发电功率 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于风速云模型选取相似日的短期风电功率预测 | 第35-47页 |
| 3.1 引言 | 第35页 |
| 3.2 构建风速云模型 | 第35-38页 |
| 3.2.1 云模型的定义 | 第36-37页 |
| 3.2.2 正向云算法 | 第37页 |
| 3.2.3 逆向云算法 | 第37-38页 |
| 3.3 云模型相似度的计算 | 第38-39页 |
| 3.4 建立RBF神经网络预测模型 | 第39-40页 |
| 3.5 实例验证 | 第40-46页 |
| 3.5.1 数据和短期风电功率预测误差的评价指标 | 第40-41页 |
| 3.5.2 基于实测数据的实例分析 | 第41-44页 |
| 3.5.3 基于NWP数据的实例分析 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 基于云推理的风电功率预测不确定性分析 | 第47-56页 |
| 4.1 引言 | 第47页 |
| 4.2 构建NWP风速和功率的云模型 | 第47-48页 |
| 4.2.1 构建单条件前件风速云发生器 | 第47页 |
| 4.2.2 构建单条件后件功率云发生器 | 第47-48页 |
| 4.3 建立单条件单规则云推理模型 | 第48-50页 |
| 4.4 实例验证 | 第50-55页 |
| 4.4.1 NWP风速云模型及功率云模型结果 | 第50-53页 |
| 4.4.2 短期风电功率不确定性预测结果 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 结论与展望 | 第56-58页 |
| 5.1 结论 | 第56-57页 |
| 5.2 创新点 | 第57页 |
| 5.3 研究展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士期间发表的学术论文及其他成果 | 第64页 |
| 攻读硕士期间参与的科研工作 | 第64-65页 |
| 致谢 | 第65页 |
