| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.1.1 课题研究背景 | 第8-10页 |
| 1.1.2 课题研究的意义 | 第10-11页 |
| 1.2 风电功率预测方法分类 | 第11-12页 |
| 1.3 风电场功率预测研究现状 | 第12-17页 |
| 1.3.1 国外研究现状 | 第12-15页 |
| 1.3.2 国内研究现状 | 第15-17页 |
| 1.4 本文的主要工作 | 第17-18页 |
| 第2章 机器学习简介 | 第18-27页 |
| 2.1 决策树简介 | 第18-20页 |
| 2.2 Bootstrap统计方法 | 第20-22页 |
| 2.3 Bagging算法简介 | 第22-23页 |
| 2.4 随机森林简介 | 第23-26页 |
| 2.4.1 构建随机森林的步骤 | 第24页 |
| 2.4.2 随机森林回归模型 | 第24-26页 |
| 2.4.3 随机森林的特点 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 风电场超短期风速预测 | 第27-36页 |
| 3.1 风速风向特性及规律统计 | 第27-30页 |
| 3.1.1 风速风向基本特性 | 第27-28页 |
| 3.1.2 风速数据规律统计 | 第28-30页 |
| 3.2 风速数据处理 | 第30-31页 |
| 3.2.1 数据检验 | 第30页 |
| 3.2.2 异常数据修正 | 第30-31页 |
| 3.2.3 数据归一化 | 第31页 |
| 3.3 基于随机森林的风电场风速预测 | 第31-35页 |
| 3.3.1 具体算例 | 第32-33页 |
| 3.3.2 预测结果 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 超短期风电功率预测 | 第36-42页 |
| 4.1 TreeBagger简介 | 第36页 |
| 4.2 基于TreeBagger的风电场功率预测 | 第36-39页 |
| 4.2.1 训练和测试样本 | 第36-37页 |
| 4.2.2 建模仿真 | 第37-39页 |
| 4.3 基于随机森林的风电功率预测 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 风电功率多步预测 | 第42-55页 |
| 5.1 基于ARIMA的风电功率多步预测 | 第42-45页 |
| 5.1.1 ARIMA模型理论 | 第42-43页 |
| 5.1.2 MATLAB的ARIMA类 | 第43页 |
| 5.1.3 预测分析 | 第43-45页 |
| 5.2 经验模式分解原理 | 第45-46页 |
| 5.3 集合经验模式分解原理 | 第46-48页 |
| 5.4 基于EEMD和TreeBagger的风电功率多步预测 | 第48-52页 |
| 5.4.1 多步预测步骤 | 第48-51页 |
| 5.4.2 基于EEMD和TreeBagger的预测分析 | 第51-52页 |
| 5.5 基于EEMD和RF的风电功率多步预测 | 第52-54页 |
| 5.6 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 全文总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 在读期间发表的论文 | 第61-62页 |
| 致谢 | 第62页 |