| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的研究背景与研究意义 | 第10-13页 |
| 1.1.1 课题研究背景 | 第10-13页 |
| 1.1.2 课题研究意义 | 第13页 |
| 1.2 课题的研究现状 | 第13-15页 |
| 1.2.1 风电场功率预测国内外研究现状 | 第13-14页 |
| 1.2.2 含风电场的电力系统优化调度国内外研究现状 | 第14-15页 |
| 1.3 本文主要工作 | 第15-16页 |
| 第2章 时间序列法和分布估计、粒子群算法的基本原理 | 第16-24页 |
| 2.1 时间序列法 | 第16-17页 |
| 2.1.1 时间序列的定义 | 第16页 |
| 2.1.2 长记忆时间序列定义 | 第16页 |
| 2.1.3 长记忆时间序列与其他时间序列的区别 | 第16-17页 |
| 2.2 分布式估计算法 | 第17-19页 |
| 2.2.1 分布估计算法的原理及基本步骤 | 第17-18页 |
| 2.2.2 变量无关的分布估计算法 | 第18-19页 |
| 2.3 粒子群算法 | 第19-22页 |
| 2.3.1 粒子群优化算法的基本概念 | 第19-20页 |
| 2.3.2 带惯性权重的粒子群算法 | 第20页 |
| 2.3.3 粒子群优化算法的参数分析 | 第20-21页 |
| 2.3.4 粒子群优化算法的基本流程 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 基于时序长记忆模型的风电场短期功率预测 | 第24-35页 |
| 3.1 数据选取与数据挖掘 | 第24-26页 |
| 3.1.1 EM算法的基本原理 | 第24-25页 |
| 3.1.2 基于EM算法的不完全数据处理 | 第25-26页 |
| 3.2 时间序列长记忆性分析 | 第26-27页 |
| 3.3 长记忆时间序列模型建模 | 第27-28页 |
| 3.4 基于ARFIMA模型的预测 | 第28-29页 |
| 3.5 算例验证与分析 | 第29-33页 |
| 3.5.1 数据选取与数据挖掘 | 第29页 |
| 3.5.2 长记忆性检验 | 第29-30页 |
| 3.5.3 建立预测模型 | 第30-31页 |
| 3.5.4 模型评价 | 第31-32页 |
| 3.5.5 功率预测 | 第32-33页 |
| 3.6 预测结果分析 | 第33-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第4章 含风电场的电力系统优化调度 | 第35-45页 |
| 4.1 含风电场的电力系统优化调度的数学模型 | 第35-38页 |
| 4.1.1 优化调度的目标函数 | 第35-37页 |
| 4.1.2 约束条件 | 第37-38页 |
| 4.2 采用分布估计─粒子群算法求解优化调度模型 | 第38-41页 |
| 4.2.1 初始化各机组的概率模型 | 第39页 |
| 4.2.2 更新机组概率产生新种群 | 第39-41页 |
| 4.3 电力系统优化调度算例分析 | 第41-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第5章 结论及展望 | 第45-47页 |
| 5.1 结论 | 第45-46页 |
| 5.2 展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附录 | 第50-51页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第51-52页 |
| 致谢 | 第52页 |