| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 引言 | 第11页 |
| 1.2 课题背景及研究意义 | 第11-13页 |
| 1.2.1 风电产业发展现状及存在的问题 | 第11-13页 |
| 1.2.2 风电场输出功率预测的意义 | 第13页 |
| 1.3 风电功率预测分类 | 第13-15页 |
| 1.4 风电功率预测研究动态 | 第15-18页 |
| 1.4.1 国外研究现状 | 第15-17页 |
| 1.4.2 国内研究现状 | 第17页 |
| 1.4.3 风电功率预测方法评述 | 第17-18页 |
| 1.5 论文的主要内容 | 第18-20页 |
| 第2章 风电功率时间序列混沌特性分析 | 第20-27页 |
| 2.1 概述 | 第20-21页 |
| 2.2 风电功率时间序列混沌特性的识别方法 | 第21-23页 |
| 2.3 风电功率时间序列的相空间重构 | 第23-24页 |
| 2.3.1 延迟时间和嵌入维数求取的重要性 | 第23页 |
| 2.3.2 本文相空间重构参数的求取方法 | 第23-24页 |
| 2.4 实例分析 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于改进型BP神经网络的短期风电功率混沌时间序列预测 | 第27-38页 |
| 3.1 概述 | 第27-28页 |
| 3.2 本文对基本BP神经网络的改进 | 第28-31页 |
| 3.2.1 改进思路的提出 | 第28-29页 |
| 3.2.2 改进的具体步骤 | 第29-31页 |
| 3.3 改进型BP神经网络预测过程 | 第31-34页 |
| 3.3.1 样本选取及数据预处理 | 第31页 |
| 3.3.2 BP神经网络结构的确定 | 第31-32页 |
| 3.3.3 训练算法的选择 | 第32页 |
| 3.3.4 激活函数的选择 | 第32-33页 |
| 3.3.5 学习算法 | 第33-34页 |
| 3.4 算例仿真与分析 | 第34-37页 |
| 3.4.1 数据预处理 | 第34页 |
| 3.4.2 建模及参数设置 | 第34-35页 |
| 3.4.3 预测模型的评价 | 第35-36页 |
| 3.4.4 预测结果分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于自适应GA-Volterra神经网络的短期风电功率混沌时间序列预测 | 第38-49页 |
| 4.1 概述 | 第38-39页 |
| 4.2 自适应Volterra级数截断项数的确定方法 | 第39-41页 |
| 4.3 本文自适应GA-VNN预测模型的建立 | 第41-46页 |
| 4.3.1 自适应Volterra级数和改进型BP神经网络的等价性 | 第41-44页 |
| 4.3.2 基于风电功率混沌时间序列的自适应VNN预测模型 | 第44-45页 |
| 4.3.3 自适应GA-VNN预测模型的预测步骤 | 第45-46页 |
| 4.4 算例仿真与分析 | 第46-48页 |
| 4.4.1 数据预处理 | 第46页 |
| 4.4.2 建模及参数设置 | 第46-47页 |
| 4.4.3 预测结果分析 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于经验模态分解的短期风电功率混沌时间序列组合预测 | 第49-62页 |
| 5.1 概述 | 第49-51页 |
| 5.2 EMD分解与小波分解的比较 | 第51-52页 |
| 5.3 EMD-GA-Volterra神经网络的预测模型的建立 | 第52-53页 |
| 5.4 EMD-改进型BP神经网络的建立 | 第53页 |
| 5.5 算例仿真与分析 | 第53-61页 |
| 5.5.1 训练样本EMD分解结果 | 第53-55页 |
| 5.5.2 EMD-GA-VNN模型的建模及预测结果 | 第55-57页 |
| 5.5.3 EMD-改进型BP神经网络的建模及预测结果 | 第57-60页 |
| 5.5.4 预测结果分析 | 第60-61页 |
| 5.6 本章小结 | 第61-62页 |
| 结论与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第70-71页 |
| 附录B 攻读硕士学位期间参与的科研项目 | 第71页 |
