| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 国内外风电发展现状 | 第14-15页 |
| 1.2 课题的研究背景及意义 | 第15-16页 |
| 1.3 风速预测的研究现状 | 第16-19页 |
| 1.4 本文主要工作 | 第19-21页 |
| 第二章 风速特性研究和几种预测方法比较 | 第21-33页 |
| 2.1 风速的分布特性 | 第21-23页 |
| 2.1.1 风速分布的密度函数 | 第21-22页 |
| 2.1.2 参数k和C估计 | 第22-23页 |
| 2.2 风速总体变化特点 | 第23-24页 |
| 2.3 风速非线性的统计学特征 | 第24-25页 |
| 2.4 常见的几种风速预测方法 | 第25-29页 |
| 2.4.1 BP神经网络 | 第25-27页 |
| 2.4.2 GRNN神经网络 | 第27-28页 |
| 2.4.3 支持向量机 | 第28-29页 |
| 2.5 几种预测方法结果分析 | 第29-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第三章 基于Akima插值改进的LMD分解算法 | 第33-43页 |
| 3.1 传统LMD算法 | 第33-38页 |
| 3.1.1 传统LMD分解过程 | 第33-35页 |
| 3.1.2 EMD算法简介 | 第35-36页 |
| 3.1.3 LMD和EMD理论比较 | 第36-37页 |
| 3.1.4 LMD的不足 | 第37-38页 |
| 3.2 Akima插值法 | 第38-39页 |
| 3.3 基于Akima插值改进的LMD算法 | 第39-41页 |
| 3.3.1 Akima插值改进LMD | 第39-40页 |
| 3.3.2 波形匹配延拓 | 第40页 |
| 3.3.3 改进的LMD算法的流程 | 第40-41页 |
| 3.4 分解效果评价指标 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于最小一乘准则的SK-LSSVM | 第43-50页 |
| 4.1 最小二乘支持向量机 | 第43-46页 |
| 4.1.1 LSSVM原理 | 第43-44页 |
| 4.1.2 LSSVM的核函数 | 第44-45页 |
| 4.1.3 LSSVM参数对预测结果的影响 | 第45-46页 |
| 4.2 分段核函数 | 第46-47页 |
| 4.3 基于最小一乘准则的粒子群算法的参数优化 | 第47-49页 |
| 4.3.1 最小一乘法 | 第47-48页 |
| 4.3.2 基于最小一乘准则的粒子群参数寻优 | 第48-49页 |
| 4.4 基于最小一乘准则的SK-LSSVM的风速预测模型 | 第49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 基于Akima插值改进的LMD和最小一乘准则下的SK-LSSVM组合风速预测模型 | 第50-58页 |
| 5.1 组合预测模型 | 第50-51页 |
| 5.2 算例分析 | 第51-57页 |
| 5.2.1 风速特征分析 | 第51-52页 |
| 5.2.2 数据预处理 | 第52-55页 |
| 5.2.3 预测模型的建立及参数确定 | 第55页 |
| 5.2.4 预测结果分析 | 第55-57页 |
| 5.3 本章小结 | 第57-58页 |
| 第六章 风速预测误差分析 | 第58-67页 |
| 6.1 风速预测的不确定性分析 | 第58-60页 |
| 6.1.1 风速的构成 | 第58页 |
| 6.1.2 风速预测模型 | 第58页 |
| 6.1.3 风速影响因素 | 第58-59页 |
| 6.1.4 风速预测误差 | 第59-60页 |
| 6.2 风速预测误差的概率分析 | 第60-63页 |
| 6.2.1 误差分布特点 | 第61页 |
| 6.2.2 混合偏态分布 | 第61-62页 |
| 6.2.3 模型特点 | 第62-63页 |
| 6.2.4 分布模型参数估计 | 第63页 |
| 6.3 算例分析 | 第63-65页 |
| 6.4 本章小结 | 第65-67页 |
| 第七章 总结与展望 | 第67-69页 |
| 7.1 总结 | 第67页 |
| 7.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第73页 |