| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 引言 | 第11-14页 |
| 1.1.1 课题研究背景及来源 | 第11-13页 |
| 1.1.2 风电功率爬坡预测研究的意义 | 第13-14页 |
| 1.2 风电功率爬坡定义及影响 | 第14-16页 |
| 1.2.1 风电功率爬坡定义 | 第14-15页 |
| 1.2.2 风电功率爬坡影响 | 第15-16页 |
| 1.3 相关领域研究现状 | 第16-19页 |
| 1.3.1 风电功率预测的研究现状 | 第16-18页 |
| 1.3.2 风电功率爬坡的研究现状 | 第18-19页 |
| 1.4 论文主要研究内容与章节安排 | 第19-21页 |
| 第二章 风电场及数据分析 | 第21-30页 |
| 2.1 引言 | 第21页 |
| 2.2 风电场分析 | 第21-23页 |
| 2.2.1 风电场概述 | 第21-22页 |
| 2.2.2 风场输出功率的影响因素分析 | 第22-23页 |
| 2.3 数据处理 | 第23-29页 |
| 2.3.1 数据预处理 | 第23-24页 |
| 2.3.2 数据的统计与分析 | 第24-26页 |
| 2.3.3 数据归一化 | 第26-28页 |
| 2.3.4 预测误差评价指标 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于ASTFA-ELM的风电功率爬坡预测 | 第30-52页 |
| 3.1 引言 | 第30页 |
| 3.2 ASTFA理论 | 第30-39页 |
| 3.2.1 ASTFA基本原理 | 第30-32页 |
| 3.2.2 构造时频分析字典 | 第32-33页 |
| 3.2.3 非线性匹配追踪算法 | 第33-35页 |
| 3.2.4 仿真分析 | 第35-39页 |
| 3.3 极限学习机 | 第39-43页 |
| 3.3.1 极限学习机概述 | 第39页 |
| 3.3.2 极限学习机网络结构与算法步骤 | 第39-43页 |
| 3.4 风电功率爬坡的预测方法建模 | 第43-51页 |
| 3.4.1 基于ASTFA-ELM的爬坡预测模型 | 第43-45页 |
| 3.4.2 算例分析 | 第45-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于信息分享机制的改进粒子群算法 | 第52-69页 |
| 4.1 引言 | 第52页 |
| 4.2 粒子群优化算法 | 第52-56页 |
| 4.2.1 算法原理 | 第52-53页 |
| 4.2.2 算法基本流程 | 第53-54页 |
| 4.2.3 算法参数及缺点分析 | 第54-56页 |
| 4.3 主要改进措施 | 第56-59页 |
| 4.4 测试函数分析与验证 | 第59-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 基于ISMC-PSO的风电场功率爬坡组合预测 | 第69-82页 |
| 5.1 引言 | 第69页 |
| 5.2 组合预测算法 | 第69-70页 |
| 5.3 支持向量机回归 | 第70-72页 |
| 5.4 基于改进粒子群的风场功率爬坡组合预测模型 | 第72-76页 |
| 5.4.1 组合预测建模 | 第72-73页 |
| 5.4.2 算例分析 | 第73-76页 |
| 5.5 工程应用 | 第76-81页 |
| 5.5.1 系统设计 | 第76-79页 |
| 5.5.2 系统工作界面 | 第79-81页 |
| 5.6 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 总结 | 第82-83页 |
| 6.2 展望 | 第83-84页 |
| 参考文献 | 第84-89页 |
| 致谢 | 第89-90页 |
| 攻读硕士学位期间取得的研究成果 | 第90页 |