| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 风电功率预测方法及分类 | 第10-12页 |
| 1.2.1 按预测时间分 | 第10页 |
| 1.2.2 按输入变量分 | 第10页 |
| 1.2.3 按预测模型分 | 第10-12页 |
| 1.3 短期风电功率预测的研究现状与发展趋势 | 第12-14页 |
| 1.3.1 国外研究现状 | 第12-13页 |
| 1.3.2 国内研究现状 | 第13-14页 |
| 1.3.3 存在的问题与发展趋势 | 第14页 |
| 1.4 课题研究主要内容 | 第14-16页 |
| 2 短期风电功率预测关键技术 | 第16-22页 |
| 2.1 输入变量的选取和优化 | 第16页 |
| 2.2 数据预处理 | 第16-17页 |
| 2.2.1 不合理数据和缺测数据处理 | 第16-17页 |
| 2.2.2 数据归一化处理 | 第17页 |
| 2.3 智能算法参数优化 | 第17-19页 |
| 2.3.1 网格搜索算法 | 第17-18页 |
| 2.3.2 粒子群优化算法 | 第18-19页 |
| 2.4 误差评价体系 | 第19-20页 |
| 2.5 本章小结 | 第20-22页 |
| 3 基于最大相关熵准则和最小二乘支持向量机的短期风电功率预测 | 第22-34页 |
| 3.1 信息理论学习及最大相关熵准则 | 第22-25页 |
| 3.1.1 信息理论学习 | 第22页 |
| 3.1.2 最大相关熵准则 | 第22-23页 |
| 3.1.3 最大相关熵准则与参数优化过程的结合 | 第23-25页 |
| 3.2 最小二乘支持向量机理论 | 第25-28页 |
| 3.2.1 支持向量机 | 第25-27页 |
| 3.2.2 最小二乘支持向量机 | 第27-28页 |
| 3.3 预测模型的建立 | 第28-30页 |
| 3.4 仿真与分析 | 第30-32页 |
| 3.4.1 基于网格搜索算法的LSSVM短期预测 | 第30-31页 |
| 3.4.2 基于PSO的LSSVM短期预测 | 第31-32页 |
| 3.5 本章小结 | 第32-34页 |
| 4 基于核主成分分析的输入变量优化方法研究 | 第34-42页 |
| 4.1 主成分分析 | 第34-36页 |
| 4.1.1 概述 | 第34页 |
| 4.1.2 基本原理 | 第34-35页 |
| 4.1.3 主成分分析法的计算步骤 | 第35-36页 |
| 4.2 核主成分分析 | 第36-38页 |
| 4.3 仿真与分析 | 第38-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 风电功率预测软件系统的开发 | 第42-54页 |
| 5.1 系统设计需求分析 | 第42-43页 |
| 5.1.1 软件设计的目的及背景 | 第42页 |
| 5.1.2 软件设计的思想 | 第42-43页 |
| 5.1.3 系统功能介绍 | 第43页 |
| 5.2 系统运行环境要求 | 第43-44页 |
| 5.2.1 系统运行要求 | 第43-44页 |
| 5.2.2 系统开发环境 | 第44页 |
| 5.3 系统总体设计 | 第44-45页 |
| 5.4 操作界面 | 第45-53页 |
| 5.4.1 登录界面 | 第46页 |
| 5.4.2 主界面 | 第46页 |
| 5.4.3 系统管理模块 | 第46-47页 |
| 5.4.4 信息管理模块 | 第47-49页 |
| 5.4.5 信息查询模块 | 第49-51页 |
| 5.4.6 功率预测模块 | 第51-53页 |
| 5.5 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 在校学习期间发表的论文与参加科研情况 | 第62-64页 |
| 附录 | 第64-66页 |