大型风电场短期风功率预测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 风电功率预测研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 风电功率预测研究的国内现状 | 第12-13页 |
| 1.3 风功率预测分类 | 第13-15页 |
| 1.3.1 按预测时间分类 | 第13-14页 |
| 1.3.2 按预测对象分类 | 第14页 |
| 1.3.3 按预测模型分类 | 第14-15页 |
| 1.4 本文主要研究内容 | 第15-17页 |
| 第2章 风能的统计分析 | 第17-25页 |
| 2.1 风速特性 | 第17-21页 |
| 2.1.1 风速日变化 | 第17-19页 |
| 2.1.2 风速月变化 | 第19页 |
| 2.1.3 风速的分布 | 第19-21页 |
| 2.2 风向特性 | 第21-23页 |
| 2.3 风速风向和风功率的关系 | 第23页 |
| 2.4 风电场功率预测误差指标 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于经验模式分解的风速序列研究 | 第25-33页 |
| 3.1 经验模式分解法 | 第25-27页 |
| 3.1.1 基本概念 | 第25-26页 |
| 3.1.2 经验模式分解法的步骤 | 第26-27页 |
| 3.2 经验模式分解法存在的问题 | 第27-30页 |
| 3.2.1 端点效应 | 第27-28页 |
| 3.2.2 模态混叠现象 | 第28-30页 |
| 3.3 基于经验模式分解的风速序列处理 | 第30-32页 |
| 3.3.1 评价指标 | 第30页 |
| 3.3.2 风速分解结果及分析 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于经验模式分解的LSSVM短期风速预测 | 第33-43页 |
| 4.1 支持向量机 | 第33-36页 |
| 4.1.1 VC维理论 | 第33-34页 |
| 4.1.2 结构风险最小化原则 | 第34-35页 |
| 4.1.3 支持向量机理论 | 第35-36页 |
| 4.2 最小二乘支持向量机 | 第36-37页 |
| 4.3 基于经验模式分解的LSSVM短期风速预测 | 第37-42页 |
| 4.3.1 数据描述 | 第38-39页 |
| 4.3.2 预测结果及分析 | 第39-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第5章 基于EEMD的神经网络组合风速预测研究 | 第43-53页 |
| 5.1 基本理论概述 | 第43-46页 |
| 5.1.1 径向基神经网络 | 第43页 |
| 5.1.2 广义回归神经网络(GRNN) | 第43-45页 |
| 5.1.3 组合预测 | 第45-46页 |
| 5.2 基于EEMD的神经网络组合预测 | 第46-52页 |
| 5.2.1 确定分量组合方式 | 第46-48页 |
| 5.2.2 基于EEMD的神经网络组合预测研究 | 第48-49页 |
| 5.2.3 预测结果及分析 | 第49-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第6章 风功率曲线及风功率预测 | 第53-59页 |
| 6.1 风功率曲线 | 第53-54页 |
| 6.2 风功率曲线拟合 | 第54-58页 |
| 6.3 风电场风功率预测 | 第58页 |
| 6.4 本章小结 | 第58-59页 |
| 第7章 结论与展望 | 第59-60页 |
| 7.1 结论 | 第59页 |
| 7.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-65页 |
| 致谢 | 第65页 |
