摘要 | 第5-6页 |
Abstract | 第6-7页 |
目录 | 第8-11页 |
插图索引 | 第11-13页 |
附表索引 | 第13-14页 |
第1章 绪论 | 第14-21页 |
1.1 研究背景及意义 | 第14-16页 |
1.2 国内外研究现状以及存在的问题 | 第16-20页 |
1.2.1 随机序列预测方法国内外研究现状 | 第16-17页 |
1.2.2 风电功率预测国内外研究现状 | 第17-18页 |
1.2.3 母线负荷预测国内外研究现状 | 第18-19页 |
1.2.4 高铁负荷预测国内外研究现状 | 第19-20页 |
1.3 课题来源 | 第20页 |
1.4 本文的主要工作 | 第20-21页 |
第2章 随机序列分析与预测方法 | 第21-35页 |
2.1 随机序列分析的理论基础 | 第21-27页 |
2.1.1 随机序列的概念 | 第21页 |
2.1.2 随机序列的统计描述 | 第21-22页 |
2.1.3 随机序列预测的基本原理 | 第22-23页 |
2.1.4 随机序列预测分类 | 第23-24页 |
2.1.5 随机序列预测基本流程 | 第24-25页 |
2.1.6 随机序列预测误差分析 | 第25-27页 |
2.2 随机序列预测算法概述 | 第27-34页 |
2.2.1 传统预测方法 | 第27-30页 |
2.2.2 智能预测方法 | 第30-34页 |
2.3 本章小结 | 第34-35页 |
第3章 电力负荷随机性分析 | 第35-45页 |
3.1 风电功率随机性分析 | 第35-37页 |
3.1.1 典型日负荷分析 | 第35-36页 |
3.1.2 周负荷周期性分析 | 第36-37页 |
3.2 母线负荷随机性分析 | 第37-41页 |
3.2.1 典型日负荷分析 | 第38-39页 |
3.2.2 周负荷周期性分析 | 第39-41页 |
3.3 高速电气化铁路牵引负荷随机性分析 | 第41-44页 |
3.3.1 典型日负荷分析 | 第41-43页 |
3.3.2 周负荷周期性分析 | 第43-44页 |
3.4 本章小结 | 第44-45页 |
第4章 基于回声状态网络的风电功率预测 | 第45-56页 |
4.1 引言 | 第45页 |
4.2 风电功率的影响因素分析 | 第45-47页 |
4.2.1 风速及风电功率特性 | 第45-46页 |
4.2.2 不同高度风速与风向 | 第46-47页 |
4.3 基于回声状态网络模型的预测方法 | 第47-50页 |
4.3.1 回声状态网络 | 第47-48页 |
4.3.2 遗传算法 | 第48-49页 |
4.3.3 遗传算法优化回声状态网络 | 第49-50页 |
4.4 算例分析 | 第50-55页 |
4.4.1 基于历史功率数据的风电功率实时预测 | 第50-52页 |
4.4.2 基于测风塔数据的风电场输出功率提前 1h 预测 | 第52-55页 |
4.5 本章小结 | 第55-56页 |
第5章 基于多神经网络的母线负荷混沌优化组合预测 | 第56-69页 |
5.1 引言 | 第56页 |
5.2 数据的预处理 | 第56-59页 |
5.2.1 不良数据的分类 | 第57页 |
5.2.2 缺失数据的补全 | 第57-58页 |
5.2.3 坏数据处理 | 第58页 |
5.2.4 数据的归一化 | 第58-59页 |
5.3 相似日的选取 | 第59-61页 |
5.3.1 基于灰色关联度分析的相似日选取方法 | 第59-61页 |
5.4 基于神经网络的混沌优化组合预测模型 | 第61-65页 |
5.4.1 三种神经网络简介 | 第61-63页 |
5.4.2 神经网络混沌优化组合预测模型 | 第63-65页 |
5.5 算例分析 | 第65-67页 |
5.6 本章小结 | 第67-69页 |
第6章 高速电气化铁路牵引负荷概率性区间预测 | 第69-76页 |
6.1 引言 | 第69页 |
6.2 确定值预测法在高铁负荷预测的局限性 | 第69-72页 |
6.3 置信区间非参数估计 | 第72-74页 |
6.3.1 预测误差经验分布 | 第72页 |
6.3.2 概率性区间估计 | 第72-74页 |
6.4 算例分析 | 第74-75页 |
6.5 本章小结 | 第75-76页 |
结论 | 第76-78页 |
参考文献 | 第78-82页 |
致谢 | 第82-83页 |
附录A 攻读学位期间所发表的学术论文目录 | 第83-84页 |
附录B 攻读学位期间所参加的科研项目目录 | 第84页 |