| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-22页 |
| ·引言 | 第10页 |
| ·课题研究背景 | 第10-12页 |
| ·课题研究意义 | 第12页 |
| ·风电场风电功率预测技术介绍 | 第12-17页 |
| ·预测之基本概念 | 第12-14页 |
| ·预测之基本原理 | 第14-15页 |
| ·风电功率预测之特点 | 第15-16页 |
| ·预测模型评价方法 | 第16-17页 |
| ·传统功率预测算法 | 第17-19页 |
| ·国内外风电短期功率预测研究 | 第19-20页 |
| ·国外研究现状 | 第19页 |
| ·国内研究现状 | 第19-20页 |
| ·本文的主要内容及组织结构 | 第20-22页 |
| 第2章 基于小波分析的风电功率序列预处理技术 | 第22-32页 |
| ·引言 | 第22页 |
| ·基于小波分析的风电功率序列预处理思路 | 第22页 |
| ·小波分析简介 | 第22-27页 |
| ·小波变换原理 | 第23-26页 |
| ·二进正交小波变换Mallat算法 | 第26-27页 |
| ·小波去噪 | 第27页 |
| ·基于小波分析的风电功率序列预处理 | 第27-31页 |
| ·风电功率序列的小波分析预处理 | 第28-30页 |
| ·风电功率序列的小波去噪 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 基于小波分析和人工神经网络组合法的风电功率预测模型 | 第32-43页 |
| ·人工神经网络概述 | 第32-35页 |
| ·人工神经元的组成结构 | 第32-34页 |
| ·神经网络的分类 | 第34-35页 |
| ·NARX神经网络及LEVENBERG-MARQUARDT算法 | 第35-36页 |
| ·经典NARX神经网络 | 第35页 |
| ·Levenberg-Marquardt算法 | 第35-36页 |
| ·算例分析 | 第36-41页 |
| ·预测结果分析 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于支持向量机的风电功率预测模型 | 第43-70页 |
| ·引言 | 第43页 |
| ·支持向量机理论基础 | 第43-48页 |
| ·统计学习理论 | 第43-47页 |
| ·最优化理论 | 第47-48页 |
| ·支持向量机 | 第48-54页 |
| ·最优超平面及线性、非线性最优超平面简介 | 第48-51页 |
| ·核函数 | 第51页 |
| ·支持向量机回归问题 | 第51-53页 |
| ·ε-SVR算法 | 第53-54页 |
| ·支持向量机参数优化 | 第54-60页 |
| ·交叉验证 | 第54页 |
| ·网格搜索算法 | 第54-56页 |
| ·粒子群算法 | 第56-60页 |
| ·基于支持向量机的风电功率短期预测实例分析 | 第60-68页 |
| ·基于网格寻优的SVM预测模型 | 第60-62页 |
| ·基于粒子群寻优的SVM预测模型 | 第62-64页 |
| ·基于WA预处理的SVM预测模型 | 第64-66页 |
| ·预测误差修正 | 第66-68页 |
| ·预测结果分析 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第5章 总结和展望 | 第70-72页 |
| ·本文总结 | 第70页 |
| ·进一步工作的展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 附录 | 第78页 |