| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 国内外研究现状 | 第12-13页 |
| 1.2.2 风电输出功率预测方法研究现状 | 第13-15页 |
| 1.3 本文研究内容 | 第15-17页 |
| 第2章 基于自适应BP神经网络的风电输出功率缺失数据补齐方法 | 第17-24页 |
| 2.1 风力发电机的数学模型 | 第17-18页 |
| 2.2 自适应BP神经网络 | 第18-19页 |
| 2.2.1 神经网络基本原理 | 第18页 |
| 2.2.2 自适应BP神经网络模型 | 第18-19页 |
| 2.3 数据补齐方法评价指标 | 第19-20页 |
| 2.4 自适应BP神经网络算例与仿真分析 | 第20-23页 |
| 2.4.1 实验数据集的选取 | 第20页 |
| 2.4.2 网络训练 | 第20页 |
| 2.4.3 补齐结果分析 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 风电输出功率波动特性的混合Logistic分布模型 | 第24-34页 |
| 3.1 风电输出功率波动描述 | 第24页 |
| 3.2 模型建立 | 第24-25页 |
| 3.2.1 混合Logistic分布模型 | 第24-25页 |
| 3.2.2 组合模型的有效性 | 第25页 |
| 3.3 聚类分析 | 第25-27页 |
| 3.3.1 K均值聚类 | 第25-26页 |
| 3.3.2 改进的K均值聚类 | 第26-27页 |
| 3.4 算例分析 | 第27-32页 |
| 3.4.1 数据来源 | 第27页 |
| 3.4.2 模型评价指标 | 第27页 |
| 3.4.3 不同采样间隔下的风电输出功率波动分布特性 | 第27-30页 |
| 3.4.4 不同时间窗下的风电输出功率波动分布特性 | 第30-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第4章 基于熵权综合关联度的风电输出功率实时预测 | 第34-43页 |
| 4.1 熵权综合关联度指标 | 第34-36页 |
| 4.1.1 常见的关联度评估指标 | 第34-35页 |
| 4.1.2 熵权关联度 | 第35-36页 |
| 4.2 模型输入和输出变量之间的关联度评估 | 第36-38页 |
| 4.2.1 待预测时段参考样本的确定 | 第36-37页 |
| 4.2.2 基于熵权综合关联度的风电关联信息挖掘 | 第37-38页 |
| 4.3 神经网络优化预测模型 | 第38页 |
| 4.4 算例分析 | 第38-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 风电输出功率实时预测误差分层补偿分析 | 第43-49页 |
| 5.1 预测误差数值特性分层分析研究思路 | 第43-44页 |
| 5.2 风电输出功率预测误差分层 | 第44页 |
| 5.3 风电输出功率预测误差的分层补偿方法 | 第44-45页 |
| 5.3.1 误差预测值在单侧层内波动 | 第44-45页 |
| 5.3.2 误差预测值在层间波动 | 第45页 |
| 5.4 算例分析 | 第45-47页 |
| 5.4.1 数据说明 | 第45页 |
| 5.4.2 风电功率预测误差概率密度拟合 | 第45-46页 |
| 5.4.3 风电功率预测误差分层 | 第46-47页 |
| 5.4.4 预测误差分层分析和补偿结果 | 第47页 |
| 5.5 本章小结 | 第47-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-55页 |
| 攻读硕士学位期间发表的学术论文 | 第55-56页 |
| 致谢 | 第56页 |
