| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-14页 |
| ·课题的背景和意义 | 第8-10页 |
| ·课题的背景 | 第8页 |
| ·课题的意义 | 第8-10页 |
| ·风电场发电功率预测的研究现状 | 第10-12页 |
| ·风电场发电功率预测的研究方法 | 第10-12页 |
| ·目前研究方法的不足 | 第12页 |
| ·本文的主要工作 | 第12-14页 |
| 2 风电功率时间序列的属性分析 | 第14-30页 |
| ·引言 | 第14页 |
| ·风电功率时间序列的多尺度分析 | 第14-23页 |
| ·非平稳信号的传统分析方法及其不足 | 第14-16页 |
| ·Hilbert—Huang 分析法 | 第16-19页 |
| ·风电功率时间序列的 Hilbert—Huang 分析 | 第19-23页 |
| ·风电功率时间序列的混沌动力学分析 | 第23-29页 |
| ·混沌的定义与特点 | 第23页 |
| ·混沌识别的判据 | 第23-24页 |
| ·Wolf 法的混沌识别 | 第24-25页 |
| ·相空间重构法 | 第25页 |
| ·相空间重构参数的同步计算法 | 第25-26页 |
| ·风电功率时间序列的相空间重构 | 第26-29页 |
| ·小结 | 第29-30页 |
| 3 基于 LS—SVM 的风电功率混沌预测模型 | 第30-41页 |
| ·引言 | 第30页 |
| ·统计学习理论 | 第30-32页 |
| ·LS—SVM | 第32-34页 |
| ·SVM 回归法 | 第32-33页 |
| ·LS—SVM 算法 | 第33-34页 |
| ·LS—SVM 参数的粒子群优化 | 第34-36页 |
| ·算例分析 | 第36-40页 |
| ·结论 | 第40-41页 |
| 4 基于径向基函数神经网络的风电功率混沌预测模型 | 第41-48页 |
| ·引言 | 第41页 |
| ·径向基函数神经网络的特性 | 第41-43页 |
| ·径向基函数神经网络的参数优化 | 第43-44页 |
| ·径向基函数神经网络的混沌预测 | 第44-45页 |
| ·算例分析 | 第45-47页 |
| ·小结 | 第47-48页 |
| 5 风电功率的纵向叠加预测模型 | 第48-57页 |
| ·引言 | 第48页 |
| ·本章的纵向叠加预测思路 | 第48-49页 |
| ·基于经验模式分解与相空间重构的纵向叠加预测 | 第49-55页 |
| ·模型的提出 | 第49-50页 |
| ·算例分析 | 第50-55页 |
| ·小结 | 第55-57页 |
| 6 结论与展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-65页 |