基于决策树理论的大规模风电场输出功率超短期预测研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 风电功率预测方法 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-14页 |
| 1.4 本文主要内容 | 第14-15页 |
| 第2章 风电功率曲线特性分析 | 第15-23页 |
| 2.1 风速-功率曲线 | 第15-17页 |
| 2.2 风速升降因素影响 | 第17-19页 |
| 2.3 风向因素影响 | 第19-20页 |
| 2.4 特征风速-功率曲线 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 异常数据识别与重构 | 第23-36页 |
| 3.1 3-sigma准则异常数据识别 | 第23-24页 |
| 3.2 基于时序特征的异常数据识别 | 第24-27页 |
| 3.2.1 概率功率曲线 | 第24-25页 |
| 3.2.2 基于时序特征的异常数据特性分析 | 第25-26页 |
| 3.2.3 风电机组异常数据识别算法 | 第26-27页 |
| 3.3 异常数据重构 | 第27-30页 |
| 3.3.1 支持向量机模型 | 第27-28页 |
| 3.3.2 模型改进 | 第28-30页 |
| 3.4 算例分析 | 第30-35页 |
| 3.4.1 人工生成异常数据识别 | 第31-33页 |
| 3.4.2 实际数据异常数据识别 | 第33-34页 |
| 3.4.3 缺失数据重构 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于决策树理论的风电功率超短期预测模型 | 第36-49页 |
| 4.1 单一预测模型 | 第36-42页 |
| 4.1.1 神经网络模型 | 第36-38页 |
| 4.1.2 时间序列模型 | 第38-39页 |
| 4.1.3 基于NWP数据模型 | 第39-42页 |
| 4.2 组合预测模型 | 第42-43页 |
| 4.3 决策树理论 | 第43-45页 |
| 4.3.1 CLS算法 | 第43-44页 |
| 4.3.2 ID3算法 | 第44页 |
| 4.3.3 C4.5算法 | 第44-45页 |
| 4.4 基于决策树理论的风电功率预测模型 | 第45-46页 |
| 4.5 算例分析 | 第46-48页 |
| 4.5.1 数据选择 | 第46页 |
| 4.5.2 数据预处理 | 第46页 |
| 4.5.3 误差评价指标 | 第46-47页 |
| 4.5.4 算例仿真结果 | 第47-48页 |
| 4.6 本章小结 | 第48-49页 |
| 结论 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第54-55页 |
| 致谢 | 第55页 |
