| 中文摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究背景与意义 | 第12-14页 |
| 1.2 课题研究现状 | 第14-17页 |
| 1.2.1 风电爬坡事件的定义及识别 | 第14-15页 |
| 1.2.2 风电爬坡事件的预测方法 | 第15-16页 |
| 1.2.3 当前方法中存在的问题 | 第16-17页 |
| 1.3 论文主要工作与组织结构 | 第17-20页 |
| 第2章 贝叶斯网络理论与非精确概率理念 | 第20-36页 |
| 2.1 贝叶斯网络理论 | 第20-27页 |
| 2.1.1 贝叶斯网络的基本架构 | 第20-21页 |
| 2.1.2 贝叶斯网络的结构学习算法 | 第21-25页 |
| 2.1.3 贝叶斯网络的概率推断算法 | 第25-27页 |
| 2.2 非精确概率理念 | 第27-34页 |
| 2.2.1 非精确概率的表现形式 | 第27页 |
| 2.2.2 基于经典IDM的非精确概率估计 | 第27-31页 |
| 2.2.3 基于拓展IDM的非精确概率估计 | 第31-34页 |
| 2.3 本章小结 | 第34-36页 |
| 第3章 基于朴素BN与拓展IDM的爬坡事件区间概率估计 | 第36-52页 |
| 3.1 基于区域网源结构定义爬坡事件 | 第36-39页 |
| 3.2 建立爬坡概率估计的朴素贝叶斯网络模型 | 第39-43页 |
| 3.2.1 确定朴素贝叶斯网络结构 | 第39-40页 |
| 3.2.2 基于朴素贝叶斯网络的爬坡事件区间概率推断 | 第40-41页 |
| 3.2.3 爬坡事件区间概率估计优劣性的评价指标 | 第41-43页 |
| 3.3 算例分析 | 第43-51页 |
| 3.3.1 测试数据描述及变量离散化 | 第43-45页 |
| 3.3.2 基于拓展IDM的贝叶斯网络参数估计 | 第45-48页 |
| 3.3.3 模型估计结果分析及其有效性验证 | 第48-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第4章 基于最大权重生成树与贪婪搜索算法的爬坡事件区间概率估计 | 第52-66页 |
| 4.1 基于MWST-GS算法挖掘最优贝叶斯网络结构 | 第52-54页 |
| 4.2 基于最优网络结构的爬坡事件区间概率推断 | 第54-56页 |
| 4.3 模型性能验证 | 第56-64页 |
| 4.3.1 相较于朴素BN模型的模型有效性验证 | 第56-58页 |
| 4.3.2 考虑预测者风险态度的模型灵活性验证 | 第58-63页 |
| 4.3.3 基于单值概率分布评价指标的模型有效性验证 | 第63-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第5章 总结与展望 | 第66-70页 |
| 5.1 总结 | 第66-67页 |
| 5.2 展望 | 第67-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-78页 |
| 攻读学位期间发表的学术论文和参加科研情况 | 第78-80页 |
| 学位论文评阅及答辩情况表 | 第80页 |
