| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 课题研究背景及意义 | 第14-17页 |
| 1.1.1 课题背景 | 第14-15页 |
| 1.1.2 课题研究的意义 | 第15-17页 |
| 1.2 风电功率预测研究现状 | 第17-20页 |
| 1.2.1 风电功率预测方法分类 | 第17-18页 |
| 1.2.2 常见的单一风电功率预测模型 | 第18-19页 |
| 1.2.3 风电功率组合预测方法 | 第19-20页 |
| 1.3 风电功率预测存在的问题 | 第20-21页 |
| 1.4 论文的主要研究内容 | 第21-22页 |
| 1.5 本章小结 | 第22-24页 |
| 第二章 风功率小波神经网络预测模型的改进与应用 | 第24-42页 |
| 2.1 基于小波神经网络的功率预测模型 | 第24-27页 |
| 2.2 基于改进的小波神经网络功率预测模型 | 第27-36页 |
| 2.2.1 基于粒子群算法的小波参数优化 | 第27-29页 |
| 2.2.2 基于灰关联删减法的小波神经网络结构优化 | 第29-30页 |
| 2.2.3 小波神经网络输入变量的确定 | 第30-36页 |
| 2.3 仿真分析 | 第36-40页 |
| 2.4 本章小结 | 第40-42页 |
| 第三章 基于多指标的风电功率预测模型综合评价方法 | 第42-60页 |
| 3.1 单一模型库介绍 | 第43-44页 |
| 3.2 风功率预测模型评价指标体系 | 第44-46页 |
| 3.3 指标客观权重确定方法 | 第46-49页 |
| 3.3.1 熵值法 | 第47-48页 |
| 3.3.2 离差最大化法 | 第48-49页 |
| 3.4 基于层次分析法的指标主观权重的确定 | 第49-52页 |
| 3.5 指标综合权重和模型综合评价值的计算 | 第52-53页 |
| 3.6 仿真分析 | 第53-59页 |
| 3.7 本章小结 | 第59-60页 |
| 第四章 基于模型优选和组合策略的风电功率融合预测 | 第60-78页 |
| 4.1 单一模型优选方法 | 第61-62页 |
| 4.1.1 基于多指标评价的模型优选 | 第61页 |
| 4.1.2 基于误差信息矩阵去冗余的模型优选 | 第61-62页 |
| 4.2 常规组合预测方法 | 第62-68页 |
| 4.2.1 算术平均法 | 第63页 |
| 4.2.2 方差倒数法 | 第63-64页 |
| 4.2.3 熵值法 | 第64-65页 |
| 4.2.4 Shapley值法 | 第65-66页 |
| 4.2.5 基于IOWA算子的融合方法 | 第66-68页 |
| 4.3 融合预测仿真分析 | 第68-77页 |
| 4.4 本章小结 | 第77-78页 |
| 第五章 结论与展望 | 第78-80页 |
| 5.1 结论 | 第78-79页 |
| 5.2 展望 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 致谢 | 第86-88页 |
| 攻读硕士学位期间发表的学术论文和科技成果 | 第88页 |