| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 国外风功率预测研究现状 | 第11-13页 |
| 1.2.2 国内风功率预测研究现状 | 第13-16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 第2章 短期风电功率预测模型 | 第17-27页 |
| 2.1 模型综述与数值天气预报 | 第17-19页 |
| 2.1.1 风电预测模型综述 | 第17-18页 |
| 2.1.2 数值天气预报 | 第18-19页 |
| 2.2 风电功率的预测流程 | 第19-23页 |
| 2.2.1 数据分析 | 第19-22页 |
| 2.2.2 模型搭建 | 第22页 |
| 2.2.3 实际预测 | 第22-23页 |
| 2.3 短期风电功率预测模型分述 | 第23-25页 |
| 2.3.1 时间序列模型 | 第23页 |
| 2.3.2 物理模型 | 第23-24页 |
| 2.3.3 统计模型 | 第24页 |
| 2.3.4 组合模型 | 第24-25页 |
| 2.4 风电预测质量的评价指标 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于LS-SVM的短期风速预测模型 | 第27-50页 |
| 3.1 支持向量机（SVM）的基本思想 | 第27-28页 |
| 3.2 支持向量机回归理论 | 第28-33页 |
| 3.2.1 结构风险最小化原则 | 第28-30页 |
| 3.2.2 支持向量机回归原理 | 第30-32页 |
| 3.2.3 最小二乘支持向量机 | 第32-33页 |
| 3.3 粒子群优化理论 | 第33-36页 |
| 3.3.1 标准粒子群优化理论 | 第33-35页 |
| 3.3.2 改进粒子群优化理论 | 第35-36页 |
| 3.4 短期风速预测模型的建立及实例分析 | 第36-48页 |
| 3.4.1 数据预处理 | 第36-37页 |
| 3.4.2 模型的确立 | 第37-38页 |
| 3.4.3 最小二乘支持向量机的预测模型和实例分析 | 第38-40页 |
| 3.4.4 预测模型的粒子群算法优化 | 第40-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第4章 风电功率单项预测方法 | 第50-59页 |
| 4.1 基于机组功率曲线的功率预测 | 第50-52页 |
| 4.1.1 风电机组的功率曲线 | 第50-51页 |
| 4.1.2 实例分析 | 第51-52页 |
| 4.2 径向基神经网络理论 | 第52-56页 |
| 4.2.1 引言 | 第52-53页 |
| 4.2.2 径向基函数网络模型 | 第53页 |
| 4.2.3 径向基网络输出 | 第53-54页 |
| 4.2.4 径向基神经网络的学习过程 | 第54-56页 |
| 4.3 基于径向基神经网络的功率预测 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 风电场短期功率组合预测模型 | 第59-65页 |
| 5.1 组合预测方法概述 | 第59-60页 |
| 5.2 组合模型权系数的确定 | 第60-61页 |
| 5.2.1 熵权法简介 | 第60页 |
| 5.2.2 权重的计算 | 第60-61页 |
| 5.3 组合模型的风电功率输出 | 第61-63页 |
| 5.4 本章小结 | 第63-65页 |
| 第6章 结论与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第71-72页 |
| 致谢 | 第72页 |