| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 课题研究目的和意义 | 第10-11页 |
| 1.3 课题研究现状 | 第11-13页 |
| 1.3.1 国外研究现状 | 第11页 |
| 1.3.2 国内研究现状 | 第11-13页 |
| 1.4 研究内容及技术路线 | 第13-15页 |
| 1.4.1 研究内容 | 第13-14页 |
| 1.4.2 创新与突破 | 第14页 |
| 1.4.3 技术路线 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 风速和风电功率特性及统计规律研究 | 第16-27页 |
| 2.1 风电场概况及历史数据预处理 | 第16页 |
| 2.1.1 风电场概况及数据来源 | 第16页 |
| 2.1.2 历史数据的预处理 | 第16页 |
| 2.2 风速和风向 | 第16-19页 |
| 2.2.1 风速及其特性 | 第16-19页 |
| 2.2.2 风向及其特性 | 第19页 |
| 2.3 风电功率特性及其预测过程 | 第19-26页 |
| 2.3.1 风功率曲线拟合 | 第19-24页 |
| 2.3.2 风电功率预测的基本原理和方法 | 第24-25页 |
| 2.3.3 统计误差分析 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于小波分析和最小二乘支持向量机的超短期风电功率预测 | 第27-38页 |
| 3.1 小波分析理论 | 第27-29页 |
| 3.1.1 小波变换原理 | 第27-28页 |
| 3.1.2 Mallat算法 | 第28-29页 |
| 3.2 支持向量机理论 | 第29-32页 |
| 3.2.1 统计学习理论 | 第29-30页 |
| 3.2.2 支持向量机核函数 | 第30-31页 |
| 3.2.3 支持向量回归机 | 第31-32页 |
| 3.2.4 最小二乘支持向量机 | 第32页 |
| 3.3 基于小波分析和LS-SVM的超短期风电功率预测 | 第32-37页 |
| 3.3.1 最小二乘支持向量机模型的建立 | 第33页 |
| 3.3.2 小波分析一最小二乘支持向量机模型 | 第33-34页 |
| 3.3.3 建模数据处理 | 第34页 |
| 3.3.4 模型预测结果分析 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于优化人工神经网络的短期风电功率预测 | 第38-48页 |
| 4.1 人工神经网络简介 | 第38-41页 |
| 4.1.1 神经网络概述 | 第38-39页 |
| 4.1.2 BP神经网络 | 第39-40页 |
| 4.1.3 径向基神经网络 | 第40-41页 |
| 4.2 粒子群优化神经网络算法 | 第41-43页 |
| 4.3 基于PSO优化神经网络的短期风电功率预测 | 第43-47页 |
| 4.3.1 数据预处理 | 第43-44页 |
| 4.3.2 神经网络及其PSO优化模型的建立 | 第44页 |
| 4.3.3 模型预测结果分析 | 第44-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于在线序列极限学习机的风电功率预测模型及风速功率修正研究 | 第48-59页 |
| 5.1 OS-ELM算法原理 | 第48-52页 |
| 5.1.1 极限学习机(ELM)算法原理 | 第48-51页 |
| 5.1.2 OS-ELM算法原理 | 第51-52页 |
| 5.2 数值天气预报风速及模型输出功率的修正 | 第52-54页 |
| 5.2.1 数值天气预报风速修正 | 第52-53页 |
| 5.2.2 输出功率的修正 | 第53-54页 |
| 5.3 OS-ELM模型及风速、功率修正模型的建立 | 第54-58页 |
| 5.3.1 OS-ELM模型的建立与仿真分析 | 第54-56页 |
| 5.3.2 风速修正模型的建立与仿真分析 | 第56-57页 |
| 5.3.3 功率修正模型的建立与仿真分析 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 作者简介 | 第65-66页 |
| 致谢 | 第66页 |
