基于模糊C均值聚类和案例推理的风电功率预测研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 课题研究背景及意义 | 第15-19页 |
| 1.1.1 课题研究背景 | 第15-17页 |
| 1.1.2 课题研究意义 | 第17-19页 |
| 1.2 风电功率模型的分类方法及其研究现状 | 第19-22页 |
| 1.2.1 按时间尺度划分 | 第19-20页 |
| 1.2.2 按预测原理划分 | 第20-21页 |
| 1.2.3 按预测方式划分 | 第21-22页 |
| 1.2.4 按预测对象划分 | 第22页 |
| 1.3 风电功率预测存在的问题 | 第22-23页 |
| 1.4 本文主要研究内容 | 第23-24页 |
| 1.5 本章小结 | 第24-25页 |
| 第二章 风电场测风数据分析和单模型介绍 | 第25-41页 |
| 2.1 测风数据分析 | 第25-32页 |
| 2.1.1 测风数据处理 | 第26-28页 |
| 2.1.2 风电功率影响因素分析 | 第28-32页 |
| 2.2 风电功率预测误差分析 | 第32-37页 |
| 2.2.1 风电功率预测周期的影响 | 第32页 |
| 2.2.2 风电功率影响因素的影响 | 第32-33页 |
| 2.2.3 样本选择的影响 | 第33页 |
| 2.2.4 测风数据特性的影响 | 第33-37页 |
| 2.3 预测模型简介 | 第37-39页 |
| 2.4 模型评价指标 | 第39-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 基于模糊聚类分析的风电功率预测模型 | 第41-61页 |
| 3.1 模糊C均值聚类和减法聚类原理介绍 | 第41-45页 |
| 3.1.1 模糊C均值基本原理 | 第41-43页 |
| 3.1.2 减法聚类基本原理 | 第43-45页 |
| 3.2 神经网络模型选取原则 | 第45-48页 |
| 3.3 预测样本的归类 | 第48-50页 |
| 3.4 示例分析 | 第50-59页 |
| 3.4.1 聚类结果 | 第50-52页 |
| 3.4.2 预测模型库的建立 | 第52-53页 |
| 3.4.3 预测数据归类结果 | 第53-54页 |
| 3.4.4 预测结果分析 | 第54-59页 |
| 3.5 本章总结 | 第59-61页 |
| 第四章 基于案例推理的特殊天气风电功率预测研究 | 第61-81页 |
| 4.1 案例推理的发展过程和原理介绍 | 第61-64页 |
| 4.1.1 案例推理的发展过程 | 第61-62页 |
| 4.1.2 案例推理的基本原理 | 第62-64页 |
| 4.2 案例的相似度 | 第64-68页 |
| 4.2.1 粒子群算法 | 第64-66页 |
| 4.2.2 K近邻算法 | 第66-67页 |
| 4.2.3 权重确定方法 | 第67-68页 |
| 4.2.4 案例的相似性 | 第68页 |
| 4.3 构造新案例特征 | 第68-70页 |
| 4.4 仿真分析 | 第70-79页 |
| 4.4.1 特殊天气案例库构建 | 第70-71页 |
| 4.4.2 案例检索 | 第71-72页 |
| 4.4.3 案例的应用与修正 | 第72-73页 |
| 4.4.4 案例的保存与维护 | 第73页 |
| 4.4.5 结果分析 | 第73-79页 |
| 4.5 本章小结 | 第79-81页 |
| 第五章 结论与展望 | 第81-83页 |
| 5.1 结论 | 第81-82页 |
| 5.2 展望 | 第82-83页 |
| 参考文献 | 第83-87页 |
| 致谢 | 第87-89页 |
| 攻读硕士学位期间发表的学术论文和科技成果 | 第89页 |
