基于风电功率预测的含风场电力系统经济调度的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题研究的背景及意义 | 第9-11页 |
| 1.2 风电场功率预测研究现状 | 第11-14页 |
| 1.2.1 预测时间尺度分类 | 第11页 |
| 1.2.2 风电功率预测方法分类 | 第11-14页 |
| 1.3 含风电的优化调度研究现状 | 第14-17页 |
| 1.3.1 传统优化算法 | 第15-16页 |
| 1.3.2 智能优化算法 | 第16-17页 |
| 1.4 本文的主要研究内容 | 第17-19页 |
| 第2章 风场出力特性及风电并网的影响 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 风力发电特性 | 第19-22页 |
| 2.2.1 风力发电的特点 | 第19-20页 |
| 2.2.2 风机功率曲线 | 第20-22页 |
| 2.3 影响风电场输出功率的地理因素 | 第22-25页 |
| 2.3.1 粗糙度对风机出力的影响 | 第22-24页 |
| 2.3.2 尾流效应对风机出力的影响 | 第24-25页 |
| 2.3.3 地形变化对风机出力的影响 | 第25页 |
| 2.4 风电并网对电力系统的影响 | 第25-28页 |
| 2.4.1 对电力系统电压稳定性的影响 | 第25-26页 |
| 2.4.2 对电能质量的影响 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于组合模型的风电功率短期预测 | 第29-48页 |
| 3.1 引言 | 第29页 |
| 3.2 人工神经网络的应用 | 第29-32页 |
| 3.2.1 人工神经网络基本原理 | 第29-30页 |
| 3.2.2 人工神经元的模型 | 第30-31页 |
| 3.2.3 神经网络的分类 | 第31-32页 |
| 3.2.4 神经网络的学习 | 第32页 |
| 3.3 BP神经网络预测模型的建立 | 第32-37页 |
| 3.3.1 BP神经网络的传播过程 | 第33-35页 |
| 3.3.2 BP预测模型的建立 | 第35-37页 |
| 3.4 基于支持向量机的预测模型 | 第37-45页 |
| 3.4.1 统计学习理论的基本思想 | 第37-39页 |
| 3.4.2 支持向量分类机 | 第39-41页 |
| 3.4.3 支持向量回归机 | 第41-43页 |
| 3.4.4 SVM预测模型的建立 | 第43-45页 |
| 3.5 基于组合方式的预测模型的建立 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 含风电场的电力系统经济调度模型 | 第48-55页 |
| 4.1 引言 | 第48页 |
| 4.2 风电场对电网经济调度的影响 | 第48-49页 |
| 4.3 常用的调度数学模型 | 第49-51页 |
| 4.4 风电并网电力系统的日前经济调度模型 | 第51-54页 |
| 4.4.1 目标函数 | 第51-52页 |
| 4.4.2 约束条件 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 电网经济调度的优化求解 | 第55-64页 |
| 5.1 引言 | 第55页 |
| 5.2 粒子群优化算法 | 第55-59页 |
| 5.2.1 算法简介 | 第55-56页 |
| 5.2.2 基本思想 | 第56-59页 |
| 5.2.3 标准粒子群算法流程 | 第59页 |
| 5.3 算例分析 | 第59-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |
