| 中文摘要 | 第5-6页 |
| 英文摘要 | 第6-7页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 引言 | 第12-14页 |
| 1.1.1 课题研究的背景 | 第12-13页 |
| 1.1.2 课题研究的目的和意义 | 第13-14页 |
| 1.2 风电场功率预测的分类 | 第14-15页 |
| 1.2.1 按预测时间分类 | 第14-15页 |
| 1.2.2 按预测对象范围分类 | 第15页 |
| 1.2.3 时间和区域的几种组合方式 | 第15页 |
| 1.3 风电场功率预测的方法和原理 | 第15-18页 |
| 1.3.1 基于历史数据的风电场功率预测 | 第16页 |
| 1.3.2 基于数值气象预报的风电场功率预测 | 第16-18页 |
| 1.4 风电场功率预测的研究现状 | 第18-21页 |
| 1.4.1 国外研究现状 | 第18-20页 |
| 1.4.2 国内研究现状 | 第20-21页 |
| 1.5 课题的研究内容 | 第21-22页 |
| 1.6 论文的结构安排 | 第22-24页 |
| 第二章 风电场参数统计规律研究 | 第24-40页 |
| 2.1 引言 | 第24页 |
| 2.2 风电场概述 | 第24页 |
| 2.3 风电场运行数据的处理 | 第24-26页 |
| 2.3.1 风电场运行数据的检验 | 第24-25页 |
| 2.3.2 缺测数据的订正 | 第25页 |
| 2.3.3 数据的转换 | 第25-26页 |
| 2.4 风速和风向的基本知识 | 第26-28页 |
| 2.4.1 风速的基本知识 | 第26页 |
| 2.4.2 风速的变化特性 | 第26-27页 |
| 2.4.3 风向 | 第27-28页 |
| 2.5 风电场参数统计规律研究 | 第28-39页 |
| 2.5.1 风速的统计规律 | 第28-37页 |
| 2.5.2 风向的统计规律 | 第37页 |
| 2.5.3 风电场年发电量的统计规律 | 第37-39页 |
| 2.6 小结 | 第39-40页 |
| 第三章 时间序列方法在风速及风电场功率预测中的应用研究 | 第40-59页 |
| 3.1 引言 | 第40页 |
| 3.2 时间序列模型 | 第40-47页 |
| 3.2.1 时间序列模型概述 | 第40-41页 |
| 3.2.2 时间序列模型建立过程 | 第41-47页 |
| 3.3 时间序列分析方法在 EViews 软件中的实现过程 | 第47页 |
| 3.4 时间序列分析模型在风速预测中的应用 | 第47-56页 |
| 3.4.1 风速序列的分布转换研究 | 第47-48页 |
| 3.4.2 风速序列的平稳性研究 | 第48-49页 |
| 3.4.3 数据的标准化处理 | 第49页 |
| 3.4.4 风速时间序列建模的数据分组 | 第49-50页 |
| 3.4.5 风速时间序列模型的预测结果及分析 | 第50-56页 |
| 3.5 时间序列分析模型在风电场功率预测中的应用 | 第56-57页 |
| 3.5.1 风电场功率预测结果及分析 | 第56-57页 |
| 3.5.2 风电场功率预测误差指标 | 第57页 |
| 3.6 小结 | 第57-59页 |
| 第四章 神经网络方法在风速及风电场功率预测中的应用研究 | 第59-81页 |
| 4.1 引言 | 第59页 |
| 4.2 神经网络基本知识 | 第59-63页 |
| 4.2.1 人工神经元模型 | 第59-60页 |
| 4.2.2 神经网络常用的激发函数 | 第60-62页 |
| 4.2.3 代表性神经网络模型 | 第62-63页 |
| 4.3 BP 与 RBF 神经网络在风电场功率预测中的应用比较 | 第63-70页 |
| 4.3.1 BP神经网络 | 第63-64页 |
| 4.3.2 RBF 神经网络 | 第64-65页 |
| 4.3.3 BP神经网络与RBF神经网络理论比较 | 第65-66页 |
| 4.3.4 使用神经网络解决具体问题的过程 | 第66页 |
| 4.3.5 应用案例 | 第66-70页 |
| 4.4 集成神经网络模型 | 第70-80页 |
| 4.4.1 概述 | 第70-71页 |
| 4.4.2 基于平均训练误差的集成神经网络模型 | 第71-75页 |
| 4.4.3 集成神经网络在风速预测中的应用 | 第75-77页 |
| 4.4.4 不同预测方法在风速预测中的应用比较 | 第77页 |
| 4.4.5 集成神经网络在风电场功率预测中的应用 | 第77-79页 |
| 4.4.6 不同预测方法在风电场功率预测中的应用比较 | 第79-80页 |
| 4.5 小结 | 第80-81页 |
| 第五章 风电场功率曲线建模研究 | 第81-90页 |
| 5.1 引言 | 第81页 |
| 5.2 风电场功率曲线的建模 | 第81-87页 |
| 5.2.1 风力发电机组的功率曲线 | 第81-82页 |
| 5.2.2 功率曲线的建立方法 | 第82-84页 |
| 5.2.3 风向的预测 | 第84-85页 |
| 5.2.4 风电场功率曲线建模的几种途径 | 第85-87页 |
| 5.3 基于功率曲线建模的预测结果与直接预测结果比较 | 第87-88页 |
| 5.4 风电场功率预测技术路线 | 第88页 |
| 5.5 小结 | 第88-90页 |
| 第六章 风电场功率预测组合预测方法研究 | 第90-104页 |
| 6.1 引言 | 第90页 |
| 6.2 各种组合预测方法 | 第90-92页 |
| 6.3 线性组合预测方法在风电机组功率预测中的应用实例 | 第92-96页 |
| 6.3.1 案例描述 | 第92-93页 |
| 6.3.2 风速的组合预测 | 第93-94页 |
| 6.3.3 风电机组功率的组合预测 | 第94-95页 |
| 6.3.4 结论 | 第95-96页 |
| 6.4 不同预测方法预测结果比较 | 第96-97页 |
| 6.5 基于最大信息熵原理的风电场功率组合预测模型 | 第97-103页 |
| 6.5.1 最大信息熵原理 | 第97-99页 |
| 6.5.2 基于最大信息熵原理的风电场功率组合预测模型 | 第99-100页 |
| 6.5.3 应用实例 | 第100-103页 |
| 6.6 小结 | 第103-104页 |
| 第七章 风电场功率预测结果不确定性研究 | 第104-115页 |
| 7.1 引言 | 第104页 |
| 7.2 研究现状 | 第104-105页 |
| 7.3 基于条件概率方法的不确定性分析模型 | 第105-114页 |
| 7.3.1 方法概述 | 第105-106页 |
| 7.3.2 功率影响独立事件的分解 | 第106-110页 |
| 7.3.3 随机变量概率密度的计算 | 第110-113页 |
| 7.3.4 应用实例 | 第113-114页 |
| 7.4 小结 | 第114-115页 |
| 第八章 结论 | 第115-118页 |
| 8.1 论文的工作总结 | 第115-116页 |
| 8.2 论文的创新点 | 第116页 |
| 8.3 课题研究展望 | 第116-118页 |
| 参考文献 | 第118-125页 |
| 致谢 | 第125-126页 |
| 个人简历 | 第126-127页 |
| 攻读博士学位期间发表的学术论文 | 第127-128页 |
| 攻读博士学位期间参加的科研工作 | 第128页 |
