基于WEB的风电场可视化监测技术研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 国外风电预测技术研究现状 | 第12-13页 |
| 1.2.2 国内风电预测技术研究现状 | 第13-15页 |
| 1.2.3 风功率预测研究现状 | 第15-16页 |
| 1.3 论文技术要点 | 第16-19页 |
| 1.3.1 风速预测 | 第16-17页 |
| 1.3.2 可视化监测技术 | 第17-18页 |
| 1.3.3 WebGIS技术 | 第18-19页 |
| 1.4 论文主要内容及组织结构 | 第19-21页 |
| 第2章 风能概述 | 第21-33页 |
| 2.1 风能与风速 | 第21-25页 |
| 2.1.1 风的形成及特性 | 第21-24页 |
| 2.1.1.1 风的形成 | 第21页 |
| 2.1.1.2 风速特性 | 第21-24页 |
| 2.1.2 风能及其利用 | 第24-25页 |
| 2.1.2.1 风能密度 | 第24页 |
| 2.1.2.2 风能的利用 | 第24-25页 |
| 2.2 风速与风功率的关系 | 第25-26页 |
| 2.3 风速预测的主要方法 | 第26-32页 |
| 2.3.1 时间序列法 | 第26-28页 |
| 2.3.2 神经网络法 | 第28-30页 |
| 2.3.3 支持向量机法 | 第30-31页 |
| 2.3.4 空间相关法 | 第31-32页 |
| 2.4 小结 | 第32-33页 |
| 第3章 基于空间相关法的风电场风速组合预测模型 | 第33-48页 |
| 3.1 支持向量机理论 | 第33-40页 |
| 3.1.1 支持向量机 | 第35-39页 |
| 3.1.2 最小二乘法向量机 | 第39-40页 |
| 3.2 RBF神经网络理论 | 第40-42页 |
| 3.2.1 RBF网络结构 | 第40-42页 |
| 3.2.2 RBF网络特点 | 第42页 |
| 3.3 基于空间相关法的风电场风速组合预测模型 | 第42-47页 |
| 3.3.1 空间相关性理论 | 第42-45页 |
| 3.3.2 基于空间相关法的组合预测模型 | 第45-47页 |
| 3.4 小结 | 第47-48页 |
| 第4章 实例仿真与结果分析 | 第48-71页 |
| 4.1 实例仿真 | 第48-57页 |
| 4.1.1 样本数据预处理 | 第48-50页 |
| 4.1.2 风速预测基本流程 | 第50页 |
| 4.1.3 误差评定指标 | 第50-52页 |
| 4.1.4 预测结果比较 | 第52-57页 |
| 4.2 结果分析 | 第57页 |
| 4.3 基于WEB的风电场可视化监测系统开发 | 第57-70页 |
| 4.3.1 Web技术 | 第57-58页 |
| 4.3.2 系统功能及其框架结构 | 第58-59页 |
| 4.3.3 系统实现 | 第59-70页 |
| 4.4 小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第77-78页 |
| 致谢 | 第78-79页 |
