| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景和研究意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外风电功率预测研究现状 | 第12-15页 |
| 1.2.1 国外相关技术及研究现状 | 第12-14页 |
| 1.2.2 国内相关技术及研究现状 | 第14-15页 |
| 1.3 论文主要研究内容 | 第15-19页 |
| 2 风速与风电功率的相关特性 | 第19-27页 |
| 2.1 风速的变化特性 | 第19-21页 |
| 2.2 风能的转换 | 第21-23页 |
| 2.3 风电机标准功率特性曲线 | 第23-24页 |
| 2.4 风电功率预测的标准与分类方法 | 第24-25页 |
| 2.4.1 风电功率预测相关标准 | 第24页 |
| 2.4.2 风电功率预测方法分类 | 第24-25页 |
| 2.5 风电功率预测的误差评价指标 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 3 基于历史数据的风电机功率特性曲线拟合 | 第27-39页 |
| 3.1 风电机功率特性曲线拟合算法 | 第27-31页 |
| 3.1.1 非线性最小二乘曲线拟合 | 第27-30页 |
| 3.1.2 常用的曲线拟合函数和拟合性能评价指标 | 第30-31页 |
| 3.2 风电机功率曲线拟合实例分析 | 第31-37页 |
| 3.2.1 风电机组功率曲线拟合 | 第31-33页 |
| 3.2.2 数据处理后的风电机组功率曲线拟合 | 第33-36页 |
| 3.2.3 风电机功率特性曲线在风电功率预测中的应用 | 第36-37页 |
| 3.3 本章小结 | 第37-39页 |
| 4 基于神经网络的短期风电功率预测 | 第39-53页 |
| 4.1 风电功率预测参数的选取 | 第39-40页 |
| 4.2 BP神经网络 | 第40-44页 |
| 4.2.1 BP神经网络算法模型 | 第41-42页 |
| 4.2.2 BP神经网络的关键问题 | 第42-44页 |
| 4.3 BP神经网络预测实例分析 | 第44-47页 |
| 4.4 小波神经网络 | 第47-48页 |
| 4.5 小波神经网络的预测实例分析 | 第48-51页 |
| 4.6 本章小结 | 第51-53页 |
| 5 基于混合算法的短期风电功率预测 | 第53-69页 |
| 5.1 遗传算法 | 第53-54页 |
| 5.2 GA-小波神经网络预测实例分析 | 第54-57页 |
| 5.3 基于经验模态分解的去噪算法 | 第57-64页 |
| 5.3.1 经验模态分解 | 第57-60页 |
| 5.3.2 EMD去噪 | 第60-64页 |
| 5.4 EMD-GA-小波神经网络预测实例分析 | 第64-65页 |
| 5.5 四种短期风电功率预测方法预测结果比对及分析 | 第65-67页 |
| 5.6 本章小结 | 第67-69页 |
| 6 总结与展望 | 第69-71页 |
| 6.1 全文总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 致谢 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 附录 | 第77页 |
| A. 作者在攻读硕士学位期间参与的项目 | 第77页 |
| B. 作者在攻读硕士学位期间的科研成果 | 第77页 |