摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 绪论 | 第10-17页 |
1.1 研究背景与意义 | 第10-11页 |
1.2 风电功率预测研究进展 | 第11-15页 |
1.2.1 风电功率预测分类 | 第11-12页 |
1.2.2 国内外研究现状 | 第12-15页 |
1.3 论文主要工作 | 第15-16页 |
1.4 论文章节组织 | 第16-17页 |
第2章 相似时段理论 | 第17-25页 |
2.1 引言 | 第17页 |
2.2 相似性分析 | 第17-23页 |
2.2.1 当前风速对功率的影响 | 第17-19页 |
2.2.2 连续时段气象因素对功率的影响 | 第19-23页 |
2.3 相似时段的定义及衡量标准 | 第23-24页 |
2.4 本章总结 | 第24-25页 |
第3章 基于相似时段的GA-ELMAN风电功率预测模型 | 第25-39页 |
3.1 引言 | 第25页 |
3.2 ELMAN神经网络 | 第25-27页 |
3.2.1 网络结构 | 第25-26页 |
3.2.2 算法流程 | 第26-27页 |
3.3 GA-ELMAN神经网络 | 第27-30页 |
3.3.1 遗传算法 | 第27-28页 |
3.3.2 遗传算法优化ELMAN神经网络过程 | 第28-30页 |
3.4 基于相似时段的GA-ELMAN预测模型 | 第30-34页 |
3.4.1 构造聚类样本数据 | 第30-31页 |
3.4.2 样本数据聚类 | 第31-33页 |
3.4.3 基准时段分类 | 第33页 |
3.4.4 预测流程 | 第33-34页 |
3.5 实验结果评价 | 第34-38页 |
3.5.1 网络模型参数的选取 | 第34-35页 |
3.5.2 遗传算法参数的选取 | 第35-36页 |
3.5.3 评价指标 | 第36-37页 |
3.5.4 ELMAN与GA-ELMAN对比 | 第37页 |
3.5.5 与相似日预测算法的对比分析 | 第37-38页 |
3.6 本章小结 | 第38-39页 |
第4章 基于SVM和GA-ELMAN组合预测模型 | 第39-47页 |
4.1 引言 | 第39页 |
4.2 基于支持向量机的风电功率预测 | 第39-41页 |
4.2.1 支持向量机理论 | 第39-40页 |
4.2.2 基于支持向量机的风功率预测模型 | 第40-41页 |
4.3 组合预测模型的建立过程 | 第41-42页 |
4.3.1 基于协方差优选组合模型 | 第41-42页 |
4.3.2 基于误差占优组合模型 | 第42页 |
4.4 实验结果分析 | 第42-45页 |
4.5 本章小结 | 第45-47页 |
第5章 结论与展望 | 第47-49页 |
5.1 本文工作总结 | 第47页 |
5.2 未来工作及展望 | 第47-49页 |
参考文献 | 第49-53页 |
攻读硕士学位期间发表的论文及其它成果 | 第53-54页 |
致谢 | 第54页 |