| 中文摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-10页 |
| 1.1 引言 | 第7-8页 |
| 1.2 风电功率预测的国内外研究现状 | 第8-9页 |
| 1.3 课题的研究内容和意义 | 第9页 |
| 1.4 论文的框架结构 | 第9-10页 |
| 第二章 用于风电功率预测的神经网络模型 | 第10-15页 |
| 2.1 BP神经网络基本原理 | 第10-12页 |
| 2.2 传统BP神经网络用于风电功率预测存在的不足 | 第12-13页 |
| 2.3 风电功率预测模型的改进 | 第13-15页 |
| 第三章 基于蚁群算法的隐含层节点数的动态调整 | 第15-33页 |
| 3.1 蚁群算法概述 | 第15页 |
| 3.2 蚁群算法的仿生学理论基础 | 第15-17页 |
| 3.3 基本蚁群算法 | 第17-28页 |
| 3.3.1 基本蚁群算法对真实蚁群觅食特性的继承与发展 | 第17-18页 |
| 3.3.2 基本蚁群算法的原理 | 第18-19页 |
| 3.3.3 基本蚁群算法的数学模型 | 第19-21页 |
| 3.3.4 基本蚁群算法的具体实现 | 第21-23页 |
| 3.3.5 现有的一些基本蚁群算法的改进方法 | 第23-28页 |
| 3.3.5.1 蚁群系统 | 第23-24页 |
| 3.3.5.2 最大最小蚂蚁系统 | 第24-25页 |
| 3.3.5.3 嵌入确定性搜索的连续域蚁群算法 | 第25-27页 |
| 3.3.5.4 基于密集非递阶的连续交互式蚁群算法 | 第27-28页 |
| 3.4 网络结构基因的构建 | 第28-29页 |
| 3.5 网络结构基因的确定 | 第29-33页 |
| 第四章 基于粒子群算法的网络连接权值和阈值的动态调整 | 第33-40页 |
| 4.1 粒子群算法概述 | 第33页 |
| 4.2 粒子群算法的仿生学理论基础 | 第33-34页 |
| 4.3 基本粒子群算法 | 第34-37页 |
| 4.3.1 基本粒子群算法原理及数学模型 | 第34-35页 |
| 4.3.2 基本粒子群算法的具体实现 | 第35-36页 |
| 4.3.3 基本粒子群算法速度更新方程机理分析 | 第36-37页 |
| 4.3.4 粒子群优化算法的改进 | 第37页 |
| 4.4 网络参数基因的构建和确定 | 第37-40页 |
| 第五章 风电功率预测的模型实现及算例研究 | 第40-59页 |
| 5.1 算法实现 | 第40-42页 |
| 5.2 算例 | 第42-59页 |
| 第六章 结论 | 第59-60页 |
| 参考文献 | 第60-69页 |
| 发表论文和科研情况说明 | 第69-70页 |
| 致谢 | 第70页 |
