| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究的背景及意义 | 第9-11页 |
| 1.2 国内外发展现状 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-14页 |
| 第2章 风功率预测原理 | 第14-24页 |
| 2.1 风功率预测的主要方法 | 第14-15页 |
| 2.1.1 基于天气预报信息的方法 | 第14页 |
| 2.1.2 统计模型 | 第14-15页 |
| 2.1.3 基于历史数据的方法 | 第15页 |
| 2.2 时间序列算法 | 第15-17页 |
| 2.2.1 ARMA模型 | 第15-16页 |
| 2.2.2 ARMA模型的识别、估计、诊断、预测 | 第16-17页 |
| 2.2.3 MA、AR、ARMA过程中ACF与PACF的特点 | 第17页 |
| 2.3 支持向量机SVM方法 | 第17-20页 |
| 2.4 小波神经网络基本原理 | 第20-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 风功率超短期预测模型 | 第24-43页 |
| 3.1 建模前的准备 | 第24-25页 |
| 3.2 基于时间序列法的超短期预测模型 | 第25-31页 |
| 3.2.1 K-S检验 | 第25-28页 |
| 3.2.2 建立ARMA模型 | 第28-29页 |
| 3.2.3 时间序列法预测结果及误差分析 | 第29-31页 |
| 3.3 支持向量机SVM预测模型 | 第31-34页 |
| 3.3.1 SVM参数分析 | 第31-33页 |
| 3.3.2 SVM预测结果 | 第33-34页 |
| 3.4 小波神经网络预测模型 | 第34-36页 |
| 3.4.1 模型建立 | 第34-35页 |
| 3.4.2 小波神经网络预测结果 | 第35-36页 |
| 3.5 三种方法超短期预测结果对比 | 第36-38页 |
| 3.6 改进小波神经网络模型 | 第38-41页 |
| 3.6.1 遗传神经网络算法 | 第38页 |
| 3.6.2 优化的神经网络模型 | 第38-40页 |
| 3.6.3 模型预测结果分析 | 第40-41页 |
| 3.7 GUI界面开发 | 第41-42页 |
| 3.8 本章小结 | 第42-43页 |
| 第4章 风功率短期预测模型 | 第43-47页 |
| 4.1 风功率超短期预测与短期预测区别 | 第43页 |
| 4.2 短期预测模型 | 第43-44页 |
| 4.2.1 稀疏贝叶斯预测模型 | 第43-44页 |
| 4.2.2 参数获取——EM迭代法 | 第44页 |
| 4.3 短期预测结果分析 | 第44-46页 |
| 4.4 机组汇聚的分析 | 第46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 总结与展望 | 第47-49页 |
| 5.1 本文所做工作 | 第47页 |
| 5.2 本文主要创新点 | 第47-48页 |
| 5.3 有待解决的问题 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 作者简介 | 第53页 |