摘要 | 第1-7页 |
Abstract | 第7-15页 |
第一章 绪论 | 第15-29页 |
·引言 | 第15-19页 |
·课题研究背景 | 第15-18页 |
·课题研究目的和意义 | 第18-19页 |
·风电场功率预测方法分类 | 第19-20页 |
·风电场短期及超短期功率预测方法和原理 | 第20-22页 |
·基于历史数据的风电功率预测方法 | 第20-21页 |
·基于数值天气预报的风电功率预测方法 | 第21-22页 |
·风电功率预测研究现状 | 第22-27页 |
·国外研究现状 | 第22-25页 |
·国内研究现状 | 第25-27页 |
·论文研究内容 | 第27-29页 |
第二章 最小二乘支持向量机在风电场超短期功率预测中的应用研究及模型优化 | 第29-52页 |
·引言 | 第29页 |
·分段支持向量机模型 | 第29-38页 |
·支持向量机原理概述 | 第29-32页 |
·风电机组功率曲线特性分析 | 第32-35页 |
·建模数据样本 | 第35-36页 |
·分段支持向量机建模过程 | 第36页 |
·算例及分析 | 第36-38页 |
·基于遗传算法的支持向量机模型 | 第38-44页 |
·遗传算法原理概述 | 第38-40页 |
·建模过程 | 第40-41页 |
·算例及分析 | 第41-44页 |
·基于小波变换的支持向量机模型 | 第44-50页 |
·小波变换原理 | 第44-46页 |
·基于小波核函数及小波变换分解的建模过程 | 第46-48页 |
·算例及分析 | 第48-50页 |
·本章小结 | 第50-52页 |
第三章 人工神经网络在风电场超短期功率预测中的应用研究及模型优化 | 第52-79页 |
·引言 | 第52-53页 |
·基于人工神经网络的超短期功率预测模型研究 | 第53-70页 |
·人工神经网络原理概述 | 第53-57页 |
·BP人工神经网络功率预测模型 | 第57-61页 |
·RBF人工神经网络功率预测模型 | 第61-62页 |
·算例分析 | 第62-70页 |
·基于希尔伯特黄变换与人工神经网络超短期功率预测模型研究 | 第70-77页 |
·希尔伯特黄变换 | 第70-72页 |
·希尔伯特黄变换优化的人工神经网络超短期功率预测模型 | 第72-75页 |
·算例及分析 | 第75-77页 |
·本章小结 | 第77-79页 |
第四章 风电场功率超短期组合预测方法研究 | 第79-112页 |
·引言 | 第79-80页 |
·基于灰色关联度理论的组合预测方法研究 | 第80-97页 |
·灰色关联度理论概述 | 第80-83页 |
·基于灰色关联度分析的组合预测模型研究 | 第83-87页 |
·算例及分析 | 第87-97页 |
·基于风速分布特性的组合预测模型研究 | 第97-110页 |
·风电场风速分布特性研究 | 第97-105页 |
·组合预测建模过程 | 第105-107页 |
·算例及分析 | 第107-110页 |
·本章小结 | 第110-112页 |
第五章 风电功率超短期预测不确定性分析方法研究及功率预测系统的集成应用 | 第112-135页 |
·引言 | 第112页 |
·风电场功率预测不确定性分析研究现状 | 第112-114页 |
·风电场功率超短期预测误差统计分析 | 第114-118页 |
·影响预测误差的因素 | 第114-116页 |
·预测误差分布特性研究 | 第116-118页 |
·基于误差分布特性的不确定性分析方法研究 | 第118-127页 |
·蒙特卡罗原理 | 第118-119页 |
·不确定性分析方法研究 | 第119-124页 |
·算例结果及分析 | 第124-125页 |
·有效性检验 | 第125-127页 |
·风电场功率预测系统集成与应用 | 第127-134页 |
·国内外功率预测系统发展现状 | 第127-130页 |
·系统设计 | 第130-134页 |
·本章小结 | 第134-135页 |
第六章 结论与展望 | 第135-139页 |
·论文的主要结论 | 第135-138页 |
·研究工作的展望 | 第138-139页 |
参考文献 | 第139-152页 |
攻读博士学位期间发表的论文及其它成果 | 第152-154页 |
攻读博士学位期间参加的科研工作 | 第154-155页 |
致谢 | 第155-156页 |
作者简介 | 第156页 |