| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 主要符号表 | 第17-18页 |
| 1 绪论 | 第18-26页 |
| 1.1 问题提出与研究意义 | 第18-20页 |
| 1.1.1 课题的研究背景 | 第18-19页 |
| 1.1.2 中长期风电功率预测的实际意义 | 第19-20页 |
| 1.2 国内外相关研究进展 | 第20页 |
| 1.3 预测的基本概念和方法 | 第20-24页 |
| 1.3.1 预测的基本概念 | 第20-21页 |
| 1.3.2 预测的分类及方法 | 第21-24页 |
| 1.4 本文主要研究内容 | 第24-25页 |
| 1.5 本章小结 | 第25-26页 |
| 2 年发电量历史数据获取 | 第26-32页 |
| 2.1 引言 | 第26页 |
| 2.2 风速-功率函数 | 第26-31页 |
| 2.3 本章小结 | 第31-32页 |
| 3 灰色理论用于年风力发电量预测 | 第32-50页 |
| 3.1 引言 | 第32页 |
| 3.2 灰色系统的概念 | 第32页 |
| 3.3 灰色理论相关名词概念 | 第32-41页 |
| 3.3.1 灰数 | 第32-33页 |
| 3.3.2 灰数代数方程与灰色微分方程 | 第33页 |
| 3.3.3 序列算子与灰色序列生成 | 第33-34页 |
| 3.3.4 序列的光滑性 | 第34-36页 |
| 3.3.5 级比生成算子 | 第36-37页 |
| 3.3.6 累加生成算子与累减生成算子 | 第37-39页 |
| 3.3.7 累加生成的灰指数率 | 第39-41页 |
| 3.4 灰色预测法简介 | 第41页 |
| 3.5 灰色新陈代谢GM(1,1)模型 | 第41-43页 |
| 3.5.1 灰色新陈代谢模型原理 | 第41-42页 |
| 3.5.2 灰色GM(1,1)模型 | 第42-43页 |
| 3.5.3 灰色新陈代谢GM(1,1)模型 | 第43页 |
| 3.6 长期风力发电量预测实例分析 | 第43-49页 |
| 3.6.1 不同维GM(1,1)模型的选取 | 第43-45页 |
| 3.6.2 新陈代谢GM(1,1)模型的应用 | 第45-46页 |
| 3.6.3 优化预测模型 | 第46-49页 |
| 3.7 本章小结 | 第49-50页 |
| 4 基于主成分分析的神经网络中长期预测 | 第50-64页 |
| 4.1 引言 | 第50页 |
| 4.2 主成分分析的原理 | 第50-54页 |
| 4.2.1 主成分分析的基本思想 | 第50-51页 |
| 4.2.2 主成分分析的基本定义和性质 | 第51-52页 |
| 4.2.3 主成分分析的数学模型 | 第52-53页 |
| 4.2.4 主成分分析计算步骤 | 第53-54页 |
| 4.3 神经网络预测模型 | 第54-58页 |
| 4.3.1 BP神经网络模型 | 第55-56页 |
| 4.3.2 GRNN神经网络模型 | 第56-58页 |
| 4.4 基于主成分分析的神经网络中长期风速预测模型 | 第58-60页 |
| 4.4.1 基于主成分分析的神经网络中长期风速预测模型 | 第58-59页 |
| 4.4.2 月平均风速和风力发电量的关系 | 第59-60页 |
| 4.5 实例分析 | 第60-63页 |
| 4.5.1 影响月平均风速的主成分提取 | 第60-61页 |
| 4.5.2 预测模型建立与仿真结果 | 第61-63页 |
| 4.6 本章小结 | 第63-64页 |
| 5 组合预测模型 | 第64-67页 |
| 5.1 引言 | 第64页 |
| 5.2 组合预测模型的原理 | 第64页 |
| 5.3 组合模型预测及结果分析 | 第64-66页 |
| 5.4 本章小结 | 第66-67页 |
| 6 结论与展望 | 第67-69页 |
| 6.1 结论与创新点 | 第67-68页 |
| 6.2 创新点摘要 | 第68页 |
| 6.3 展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间科研项目及研究成果 | 第75-76页 |
| 致谢 | 第76-77页 |
| 作者简介 | 第77-78页 |