| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-16页 |
| ·研究背景及意义 | 第8-10页 |
| ·研究背景 | 第8-10页 |
| ·研究意义 | 第10页 |
| ·风电功率预测方法 | 第10-14页 |
| ·风电功率预测方法分类 | 第10-12页 |
| ·风电功率预测方法介绍 | 第12-14页 |
| ·国内外预测系统研究现状及不足 | 第14-15页 |
| ·国内外预测系统研究现状 | 第14页 |
| ·不足之处 | 第14-15页 |
| ·本文的主要工作及研究内容 | 第15-16页 |
| 2 风电功率多尺度波动特性分析 | 第16-35页 |
| ·风速和风电功率的概率分布 | 第16-18页 |
| ·不同时间尺度下风速和风电功率的波动特性 | 第18-29页 |
| ·风速的波动特性 | 第18-21页 |
| ·风电功率的波动特性 | 第21-25页 |
| ·风速和风电功率的相关特性 | 第25-29页 |
| ·不同采样间隔的风电功率预测 | 第29-33页 |
| ·不同采样间隔的风电功率单步预测 | 第29-32页 |
| ·不同采样间隔的风电功率多步预测 | 第32-33页 |
| ·小结 | 第33-35页 |
| 3 基于多属性决策和支持向量机的非线性组合预测 | 第35-56页 |
| ·组合预测 | 第35-38页 |
| ·线性组合预测 | 第35-37页 |
| ·非线性组合预测 | 第37-38页 |
| ·多属性决策 | 第38-45页 |
| ·理论概述 | 第38-39页 |
| ·主客观赋权方法 | 第39-42页 |
| ·基于多属性决策的单项模型选择 | 第42-45页 |
| ·支持向量机 | 第45-48页 |
| ·理论 | 第45-46页 |
| ·核函数 | 第46-47页 |
| ·参数选择及算法 | 第47页 |
| ·支持向量机与神经网络的比较 | 第47-48页 |
| ·组合预测算例分析 | 第48-55页 |
| ·预测步骤 | 第48-49页 |
| ·评价标准 | 第49页 |
| ·结果分析 | 第49-55页 |
| ·小结 | 第55-56页 |
| 4 基于分段分层相似日搜索和神经网络的风电功率多步预测 | 第56-69页 |
| ·相似日的搜索 | 第57-60页 |
| ·基准段相似曲线的搜索 | 第57-59页 |
| ·预测段日特征向量的搜索 | 第59-60页 |
| ·自适应脊波神经网络 | 第60-62页 |
| ·概述 | 第60-61页 |
| ·脊波神经网络模型 | 第61-62页 |
| ·基于相似日和脊波神经网络的风电功率预测 | 第62-68页 |
| ·预测步骤 | 第62-63页 |
| ·算例分析 | 第63-68页 |
| ·小结 | 第68-69页 |
| 5 结论与展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 附录：作者在攻读学位期间发表的论文目录 | 第77页 |