| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 研究现状 | 第14-18页 |
| 1.2.1 风电功率预测研究现状 | 第14-16页 |
| 1.2.2 风电功率爬坡研究现状 | 第16-18页 |
| 1.3 误差评估指标 | 第18-20页 |
| 1.3.1 风电功率预测误差评估指标 | 第18-19页 |
| 1.3.2 风电爬坡事件预测误差评估指标 | 第19-20页 |
| 1.4 本文的主要研究工作 | 第20-22页 |
| 第二章 风电场风电功率四季及昼夜特性研究 | 第22-42页 |
| 2.1 引言 | 第22页 |
| 2.2 风力发电机组功率模型 | 第22-23页 |
| 2.3 影响风电功率的主要因素 | 第23-24页 |
| 2.4 影响风电功率的主要因素的四季及昼夜特性研究 | 第24-37页 |
| 2.4.1 四季昼夜风速特性分析 | 第25-29页 |
| 2.4.2 四季昼夜风向特性分析 | 第29-33页 |
| 2.4.3 四季昼夜环境温度特性分析 | 第33-37页 |
| 2.5 数据处理 | 第37-40页 |
| 2.5.1 数据预处理 | 第37-38页 |
| 2.5.2 数据归一化 | 第38-40页 |
| 2.6 本章小结 | 第40-42页 |
| 第三章 基于分季昼夜的风电功率组合预测模型 | 第42-58页 |
| 3.1 引言 | 第42页 |
| 3.2 集合经验模态 | 第42-46页 |
| 3.2.1 理论基础 | 第42-43页 |
| 3.2.2 EEMD效果验证 | 第43-46页 |
| 3.3 深度学习网路与浅层学习网络 | 第46-50页 |
| 3.3.1 深度学习网络 | 第46-49页 |
| 3.3.2 浅层学习网络 | 第49页 |
| 3.3.3 深浅层学习组合 | 第49-50页 |
| 3.4 基于分季昼夜的EEMD-SAE-BP风电功率预测模型 | 第50-56页 |
| 3.4.1 EEMD-SAE-BP算法验证 | 第50-52页 |
| 3.4.2 基于分季昼夜的EEMD-SAE-BP风电功率预测仿真分析 | 第52-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第四章 基于燕尾型突变理论的风电爬坡预测模型 | 第58-70页 |
| 4.1 引言 | 第58页 |
| 4.2 理论基础 | 第58-62页 |
| 4.2.1 概述 | 第58-59页 |
| 4.2.2 突变理论模型 | 第59-62页 |
| 4.2.3 风电爬坡事件的突变特性 | 第62页 |
| 4.3 基于燕尾型突变理论的爬坡预测模型 | 第62-66页 |
| 4.3.1 模型建立 | 第62-63页 |
| 4.3.2 燕尾型突变模型控制变量的确立 | 第63-64页 |
| 4.3.3 模型参数的确立 | 第64-66页 |
| 4.4 仿真结果分析 | 第66-68页 |
| 4.5 本章小结 | 第68-70页 |
| 第五章 基于多段优化的风电功率爬坡有限度控制策略 | 第70-78页 |
| 5.1 引言 | 第70页 |
| 5.2 风电功率爬坡分段 | 第70-72页 |
| 5.2.1 风电功率爬坡定义与特性分析 | 第70-72页 |
| 5.2.2 风电功率爬坡分段 | 第72页 |
| 5.3 多段优化 | 第72-74页 |
| 5.4 仿真分析 | 第74-76页 |
| 5.5 本章小结 | 第76-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 主要工作与创新点 | 第78-79页 |
| 6.2 后续研究工作 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 致谢 | 第85-86页 |
| 攻读硕士学位期间取得的研究成果 | 第86页 |
