| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 风电场功率预测数据处理研究现状 | 第10-13页 |
| 1.3 风电场功率预测方法研究现状 | 第13-16页 |
| 1.4 本文主要工作 | 第16-18页 |
| 2 基于加权k最临近距离的风电场异常功率辨识 | 第18-30页 |
| 2.1 引言 | 第18-19页 |
| 2.2 风电场异常功率数据分类 | 第19-20页 |
| 2.3 基于经验准则的丢失数据与停运数据辨识 | 第20-21页 |
| 2.4 基于加权k最临近距离的不合理数据与故障数据辨识 | 第21-25页 |
| 2.4.1 基于加权kNN距离的离群点辨识模型 | 第22-24页 |
| 2.4.2 基于分布标准差的模型参数优选 | 第24-25页 |
| 2.5 基于k最临近距离的异常数据修正 | 第25-26页 |
| 2.6 算例分析 | 第26-29页 |
| 2.6.1 风电场异常功率数据辨识模型参数优选 | 第26-28页 |
| 2.6.2 风电场异常功率数据辨识效果 | 第28-29页 |
| 2.6.3 风电场异常功率数据修正效果 | 第29页 |
| 2.7 本章小结 | 第29-30页 |
| 3 基于特征选取和循环神经网络的风电场功率超短期预测 | 第30-50页 |
| 3.1 引言 | 第30-31页 |
| 3.2 风电场输出功率影响因素 | 第31页 |
| 3.3 基于条件互信息的输入特征优化选取 | 第31-34页 |
| 3.3.1 条件互信息定义 | 第31-32页 |
| 3.3.2 风电场预测模型输入特征的优化选取 | 第32-34页 |
| 3.4 基于循环神经网络的风电场功率预测模型 | 第34-41页 |
| 3.4.1 循环神经网络 | 第35-39页 |
| 3.4.2 风电场功率超短期预测建模步骤 | 第39-41页 |
| 3.4.3 预测精度评判指标 | 第41页 |
| 3.5 算例分析 | 第41-47页 |
| 3.5.1 风电场预测模型输入特征选取结果 | 第42-43页 |
| 3.5.2 风电场未来2小时风电场功率预测及精度分析 | 第43-47页 |
| 3.6 本章小结 | 第47-50页 |
| 4 基于相似数据聚类和循环神经网络的风电场功率短期预测 | 第50-68页 |
| 4.1 引言 | 第50-51页 |
| 4.2 基于气象高度转换公式的NWP数据数值转换 | 第51-53页 |
| 4.3 基于谱聚类方法的数值天气预报相似数据聚类 | 第53-58页 |
| 4.3.1 谱聚类方法与步骤 | 第54-57页 |
| 4.3.2 数值天气预报相似数据谱聚类模型与聚类数优选方法 | 第57-58页 |
| 4.4 基于相似数据聚类和循环神经网络的风电场功率分类预测 | 第58-61页 |
| 4.4.1 基于循环神经网络的单类预测模型 | 第58-59页 |
| 4.4.2 预测日数值天气预报数据类别判断 | 第59-60页 |
| 4.4.3 基于NWP相似数据的风电场功率分类预测模型 | 第60-61页 |
| 4.5 算例分析 | 第61-66页 |
| 4.5.1 NWP相似数据聚类分析 | 第63-64页 |
| 4.5.2 分类预测结果与精度分析 | 第64-66页 |
| 4.6 本章小结 | 第66-68页 |
| 5 总结与展望 | 第68-70页 |
| 5.1 总结 | 第68-69页 |
| 5.2 展望 | 第69-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 附录 | 第78页 |
| A. 作者在攻读学位期间发表的论文目录 | 第78页 |
| B. 作者在攻读硕士学位期间参加的科研项目 | 第78页 |
| C. 作者在攻读学位期间取得的科研成果目录 | 第78页 |
