基于时间序列分析的大型风电场功率预测方法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第8-11页 |
| 1 绪论 | 第11-19页 |
| ·引言 | 第11-13页 |
| ·研究背景 | 第11-12页 |
| ·研究目的和意义 | 第12-13页 |
| ·风电功率预测概述 | 第13-15页 |
| ·风电功率预测的分类 | 第13-14页 |
| ·物理方法 | 第14页 |
| ·统计方法 | 第14-15页 |
| ·智能方法 | 第15页 |
| ·风电功率预测研究现状 | 第15-17页 |
| ·算法模型 | 第15-16页 |
| ·预测工具 | 第16页 |
| ·基于WRF模式的数值天气预报 | 第16-17页 |
| ·时间序列分析 | 第17页 |
| ·课题研究内容 | 第17-19页 |
| 2 风电场数据预处理 | 第19-31页 |
| ·风电场情况概述 | 第19页 |
| ·我国风能资源分布情况 | 第19页 |
| ·风电场情况概述 | 第19页 |
| ·风电场运行数据统计 | 第19-22页 |
| ·数据的平稳性检验 | 第22-24页 |
| ·分段检验 | 第22-23页 |
| ·逆序检验 | 第23页 |
| ·ADF单位根检验 | 第23-24页 |
| ·数据预处理 | 第24-26页 |
| ·数据的剔除与修正 | 第24-25页 |
| ·数据的平稳性处理 | 第25-26页 |
| ·遗忘因子在预处理中的应用 | 第26页 |
| ·风电功率预测指标的选取 | 第26-29页 |
| ·信息准则及ARMA模式识别与定阶 | 第26-28页 |
| ·误差指标的选取 | 第28-29页 |
| ·小结 | 第29-31页 |
| 3 基于遗忘因子优化的ARMA参数估计 | 第31-47页 |
| ·引言 | 第31页 |
| ·自回归滑动平均值(ARMA)模型 | 第31-34页 |
| ·最小二乘法 | 第34-39页 |
| ·最小二乘原理 | 第34-36页 |
| ·系统辨识的最小二乘估计 | 第36-37页 |
| ·最小二乘递推算法 | 第37-39页 |
| ·最小二乘估计预测模型 | 第39-40页 |
| ·基于遗忘因子优化的参数估计模型 | 第40-44页 |
| ·数据饱和 | 第40-41页 |
| ·遗忘因子 | 第41-42页 |
| ·基于遗忘因子优化的参数估计 | 第42-44页 |
| ·基于变遗忘因子优化的参数估计模型 | 第44-46页 |
| ·信噪比(SNR) | 第44-45页 |
| ·变遗忘因子优化的参数估计 | 第45-46页 |
| ·小结 | 第46-47页 |
| 4 基于D-S证据理论的改进ARMA模型 | 第47-59页 |
| ·引言 | 第47页 |
| ·D-S证据理论原理及证据的合成方法 | 第47-50页 |
| ·D-S证据理论原理 | 第47-48页 |
| ·证据理论合成方法 | 第48-50页 |
| ·D-S证据理论在风电功率预测中的应用 | 第50-54页 |
| ·模型优化 | 第54-57页 |
| ·小结 | 第57-59页 |
| 5 基于组合模型的递推预测算法 | 第59-75页 |
| ·综述 | 第59页 |
| ·风电功率常用模型的测试分析 | 第59-69页 |
| ·ARMA模型性能测试 | 第59-61页 |
| ·基于BP算法的人工神经元(ANN)模型测试 | 第61-63页 |
| ·支持向量机(SVM)模型测试 | 第63-65页 |
| ·基于最大信息熵原理的综合模型测试 | 第65-69页 |
| ·基于组合模型的递推预测算法 | 第69-74页 |
| ·小结 | 第74-75页 |
| 6 风电场总功率预测 | 第75-81页 |
| ·风速预测 | 第75-76页 |
| ·功率拟合曲线 | 第76-78页 |
| ·功率预测 | 第78-80页 |
| ·小结 | 第80-81页 |
| 7 结论与展望 | 第81-83页 |
| ·论文工作总结 | 第81-82页 |
| ·课题研究展望 | 第82-83页 |
| 参考文献 | 第83-85页 |
| 附录A | 第85-89页 |
| 作者简历 | 第89-93页 |
| 学位论文数据集 | 第93页 |
