| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第1章 绪论 | 第12-19页 |
| ·课题的背景及意义 | 第12-14页 |
| ·国内外风电的发展概况 | 第12页 |
| ·考虑风电并网的短期负荷预测 | 第12-14页 |
| ·国内外研究现状分析 | 第14-16页 |
| ·负荷预测研究现状 | 第14-15页 |
| ·风电功率预测研究现状 | 第15-16页 |
| ·研究目标和研究内容 | 第16-17页 |
| ·研究对象与目标 | 第16-17页 |
| ·主要研究内容 | 第17页 |
| ·论文章节安排 | 第17-19页 |
| 第2章 多尺度分解方法的基本原理 | 第19-26页 |
| ·小波分析 | 第19-21页 |
| ·小波理论基础 | 第19-20页 |
| ·小波分解与重构——Mallat理论 | 第20-21页 |
| ·奇异谱分析 | 第21-22页 |
| ·总体平均经验模态分解 | 第22-25页 |
| ·希尔伯特黄变换 | 第22-24页 |
| ·总体平均经验模态分解 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 多尺度分解方法在时间序列中的应用 | 第26-38页 |
| ·时间序列的特性分析 | 第26-27页 |
| ·短期负荷数据的特性分析 | 第26-27页 |
| ·风电功率数据的特性分析 | 第27页 |
| ·原始样本数据的预处理 | 第27-28页 |
| ·小波分析方法在时间序列中的应用 | 第28-31页 |
| ·负荷数据的小波分析 | 第29-30页 |
| ·风电功率数据的小波分析 | 第30-31页 |
| ·奇异谱分析方法在时间序列中的应用 | 第31-33页 |
| ·负荷数据的奇异谱分析 | 第31-32页 |
| ·风电功率数据的奇异谱分析 | 第32-33页 |
| ·总体平均经验模态分解方法在时间序列中的应用 | 第33-36页 |
| ·负荷数据的总体平均经验模态分解 | 第33-35页 |
| ·风电功率数据的总体平均经验模态分解 | 第35-36页 |
| ·对比分析 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第4章 基于EEMD和神经网络的新型时间序列预测模型 | 第38-46页 |
| ·引言 | 第38页 |
| ·神经网络预测模型概述 | 第38-40页 |
| ·BP神经网络 | 第38-39页 |
| ·RBF神经网络 | 第39页 |
| ·小波神经网络 | 第39-40页 |
| ·Elman神经网络 | 第40页 |
| ·基于粒子群优化算法和灰色关联度的新型优化组合预测方法 | 第40-42页 |
| ·粒子群优化算法 | 第40页 |
| ·灰色关联度 | 第40-41页 |
| ·基于粒子群优化算法和灰色关联度的新型优化组合预测 | 第41-42页 |
| ·新型时间序列预测模型的建模思想 | 第42-45页 |
| ·数据预处理 | 第42-43页 |
| ·样本的选择及归一化处理 | 第43页 |
| ·各分量的预测方法 | 第43-45页 |
| ·预测误差评价 | 第45页 |
| ·本章小结 | 第45-46页 |
| 第5章 计及风电并网的短期负荷预测 | 第46-65页 |
| ·引言 | 第46页 |
| ·短期负荷的预测结果及分析 | 第46-53页 |
| ·风电功率的预测结果及分析 | 第53-60页 |
| ·等效负荷预测模型及预测结果分析 | 第60-64页 |
| ·等效负荷的概念 | 第60页 |
| ·等效负荷预测模型 | 第60-62页 |
| ·等效负荷的预测结果及分析 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 结论与展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 攻读硕士学位期间发表的学术论文 | 第74页 |
