数据融合技术在风电企业信息系统中的应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 风电产业研究现状 | 第12-13页 |
| 1.2.2 数据融合研究现状 | 第13-14页 |
| 1.3 课题研究内容和结构安排 | 第14-15页 |
| 第二章 数据融合技术 | 第15-22页 |
| 2.1 数据融合的定义 | 第15页 |
| 2.2 数据融合的分类 | 第15-16页 |
| 2.1.1 像素级融合 | 第16页 |
| 2.1.2 特征层融合 | 第16页 |
| 2.1.3 决策层融合 | 第16页 |
| 2.3 多传感器数据融合方法 | 第16-20页 |
| 2.3.1 贝叶斯方法 | 第17页 |
| 2.3.2 D_S证据推理 | 第17-18页 |
| 2.3.3 人工神经网络 | 第18-19页 |
| 2.3.4 模糊理论算法 | 第19-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 风电功率预测 | 第22-28页 |
| 3.1 风力及风力发电功率计算 | 第22-23页 |
| 3.1.1 风能计算 | 第22页 |
| 3.1.2 发电功率计算 | 第22-23页 |
| 3.2 风电功率预测 | 第23-26页 |
| 3.2.1 风功率预测方法 | 第23页 |
| 3.2.2 风电功率预测类型 | 第23-24页 |
| 3.2.3 预测方法 | 第24-26页 |
| 3.3 预测误差 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 基于数据融合的风电功率预测算法 | 第28-36页 |
| 4.1 两种系统方案的比较 | 第28-29页 |
| 4.2 同类数据校准 | 第29-31页 |
| 4.2.1 贴近度矩阵 | 第29-30页 |
| 4.2.2 数据融合过程 | 第30-31页 |
| 4.3 异类数据的融合与推理 | 第31-35页 |
| 4.3.1 BP神经网络建模 | 第31-33页 |
| 4.3.2 建立模糊控制规则 | 第33-34页 |
| 4.3.3 模糊推理设计 | 第34页 |
| 4.3.4 输出变量清晰化 | 第34-35页 |
| 4.3.5 算法评估分析 | 第35页 |
| 4.4 本章小结 | 第35-36页 |
| 第五章 风电企业信息系统的设计研究 | 第36-45页 |
| 5.1 系统总体设计思想 | 第36-37页 |
| 5.2 需求分析 | 第37-38页 |
| 5.2.1 系统目标 | 第37页 |
| 5.2.2 功能需求 | 第37-38页 |
| 5.2.3 系统数据库 | 第38页 |
| 5.3 系统结构与开发平台 | 第38-41页 |
| 5.3.1 系统框架 | 第38-40页 |
| 5.3.2 模块功能 | 第40页 |
| 5.3.3 开发平台 | 第40-41页 |
| 5.4 数据融合模块设计 | 第41-42页 |
| 5.5 功率预测模块设计 | 第42-43页 |
| 5.6 系统的用户界面 | 第43-44页 |
| 5.7 本章小结 | 第44-45页 |
| 第六章 总结与展望 | 第45-46页 |
| 6.1 总结 | 第45页 |
| 6.2 展望 | 第45-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50-51页 |
| 作者简介 | 第51页 |
