风电场功率预测及日前调度计划研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-7页 |
| 第1章 绪论 | 第7-18页 |
| 1.1 选题的背景及意义 | 第7-9页 |
| 1.2 风电场功率预测研究现状 | 第9-13页 |
| 1.2.1 预测时间尺度分类 | 第9页 |
| 1.2.2 预测算法研究现状概述 | 第9-12页 |
| 1.2.3 预测模型其他相关研究 | 第12-13页 |
| 1.3 含风电的优化调度研究现状 | 第13-16页 |
| 1.3.1 含风电的优化调度模型研究 | 第13-14页 |
| 1.3.2 优化调度模型求解算法研究 | 第14-16页 |
| 1.4 本文主要研究工作 | 第16-18页 |
| 第2章 BP 神经网络预测模型 | 第18-33页 |
| 2.1 引言 | 第18页 |
| 2.2 数据预处理 | 第18-22页 |
| 2.2.1 数据基本预处理 | 第18-19页 |
| 2.2.2 小波包风速分解 | 第19-22页 |
| 2.3 BP 神经网络基本原理 | 第22-26页 |
| 2.3.1 神经网络基本概念 | 第22-24页 |
| 2.3.2 BP 神经网络原理 | 第24-26页 |
| 2.4 BP 神经网络设计方法 | 第26-30页 |
| 2.4.1 传统的输入参数确定方法 | 第26-27页 |
| 2.4.2 基于 PCA 的输入参数确定 | 第27-28页 |
| 2.4.3 BP 神经网络结构设计方法 | 第28-30页 |
| 2.5 预测模型参数确定及验证 | 第30-32页 |
| 2.5.1 预测精度评价体系 | 第30-31页 |
| 2.5.2 预测模型参数确定 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 BP 神经网络集成预测模型 | 第33-46页 |
| 3.1 引言 | 第33页 |
| 3.2 单个 BP 网络改进粒子群训练算法 | 第33-42页 |
| 3.2.1 标准粒子群算法 | 第33-34页 |
| 3.2.2 粒子群算法改进 | 第34-39页 |
| 3.2.3 标准测试函数检验 | 第39-42页 |
| 3.3 BP 神经网络集成预测模型 | 第42-44页 |
| 3.4 网络集成参数确定及模型验证 | 第44-45页 |
| 3.4.1 集成参数确定 | 第44页 |
| 3.4.2 预测效果比较验证 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于风功率预测的日前调度计划 | 第46-60页 |
| 4.1 引言 | 第46页 |
| 4.2 风功率预测信息的描述 | 第46-47页 |
| 4.3 基于风功率预测的调度计划 | 第47-59页 |
| 4.3.1 普通日前调度计划建模 | 第47-49页 |
| 4.3.2 MIQP 算法求解及验证 | 第49-55页 |
| 4.3.3 接入风电后不同预测信息的影响 | 第55-59页 |
| 4.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-68页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第68-70页 |
| 致谢 | 第70页 |
