| 摘要 | 第3-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第17-33页 |
| 1.1 研究背景 | 第17-23页 |
| 1.1.1 能源储量 | 第17-19页 |
| 1.1.2 全球风电发展概况 | 第19-20页 |
| 1.1.3 中国风电发展概况 | 第20-23页 |
| 1.2 研究意义 | 第23-26页 |
| 1.3 国内外研究现状 | 第26-28页 |
| 1.4 风电功率预测模型的误差来源及评价指标 | 第28-30页 |
| 1.4.1 误差来源 | 第28-29页 |
| 1.4.2 解决措施 | 第29页 |
| 1.4.3 误差评价指标 | 第29-30页 |
| 1.5 主要工作 | 第30-33页 |
| 第二章 风力发电特性 | 第33-41页 |
| 2.1 风速特性 | 第33-34页 |
| 2.2 风力等级划分 | 第34-35页 |
| 2.3 风力发电特点及影响因素分析 | 第35-38页 |
| 2.3.1 风力发电特点 | 第35页 |
| 2.3.2 风电功率影响因素及定量分析 | 第35-38页 |
| 2.4 数据归一化 | 第38-39页 |
| 2.5 小结 | 第39-41页 |
| 第三章 SVM理论基础 | 第41-57页 |
| 3.1 SVM理论 | 第41-55页 |
| 3.1.1 机器学习 | 第41-42页 |
| 3.1.2 统计学理论 | 第42-44页 |
| 3.1.3 SVM最优超平面 | 第44-54页 |
| 3.1.4 核函数 | 第54-55页 |
| 3.2 SVM参数选择 | 第55-56页 |
| 3.3 小结 | 第56-57页 |
| 第四章 基于智能算法优化的风电功率预测 | 第57-73页 |
| 4.1 FOA算法 | 第57-61页 |
| 4.2 FOA算法的改进策略 | 第61-66页 |
| 4.2.1 SAA算法 | 第61-63页 |
| 4.2.2 GDSAFOA算法 | 第63-66页 |
| 4.3 算例分析 | 第66-72页 |
| 4.3.1 GDSAFOA算例分析 | 第66-68页 |
| 4.3.2 GDSAFOA-SVM算例分析 | 第68-72页 |
| 4.4 小结 | 第72-73页 |
| 第五章 基于相似样本的风电功率聚类分析 | 第73-95页 |
| 5.1 风电功率相似性分析 | 第73-75页 |
| 5.2 聚类分析 | 第75-80页 |
| 5.2.1 模糊聚类分析 | 第76页 |
| 5.2.2 模糊C均值聚类FCM | 第76-78页 |
| 5.2.3 GDSAFOA-FCM | 第78-80页 |
| 5.3 聚类特征向量 | 第80页 |
| 5.4 算例分析 | 第80-94页 |
| 5.4.1 GDSAFOA-FCM-SVM算例分析 | 第80-85页 |
| 5.4.2 GDSAFOA-FCM-IT-SVM算例分析 | 第85-94页 |
| 5.5 小结 | 第94-95页 |
| 第六章 基于EEMD的风电功率预测 | 第95-107页 |
| 6.1 EMD算法 | 第95-97页 |
| 6.2 EEMD算法 | 第97-100页 |
| 6.3 算例分析 | 第100-106页 |
| 6.3.1 EMD和EEMD算例分析 | 第100-103页 |
| 6.3.2 EEMD-GDSAFOA-FCM-IT-SVM算例分析 | 第103-106页 |
| 6.4 小结 | 第106-107页 |
| 第七章 总结与展望 | 第107-109页 |
| 7.1 总结 | 第107-108页 |
| 7.2 展望 | 第108-109页 |
| 参考文献 | 第109-115页 |
| 致谢 | 第115-117页 |
| 攻读学位期间发表的学术论文 | 第117页 |
