| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-20页 |
| ·课题的背景和意义 | 第8-11页 |
| ·课题的背景 | 第8-10页 |
| ·课题的意义 | 第10-11页 |
| ·风电场风速和发电功率预测研究综述及不足 | 第11-17页 |
| ·风电场风速和发电功率预测研究方法 | 第11-16页 |
| ·目前研究方法的不足 | 第16-17页 |
| ·风力发电简介 | 第17-19页 |
| ·风电原理及特性 | 第17页 |
| ·风力发电技术简介 | 第17-18页 |
| ·风电场出力随机模型 | 第18-19页 |
| ·本文主要工作 | 第19-20页 |
| 2 风电场发电功率时间序列属性研究 | 第20-32页 |
| ·引言 | 第20页 |
| ·时间序列的相空间重构理论 | 第20-24页 |
| ·时间序列的相空间重构 | 第20-21页 |
| ·延迟时间的确定 | 第21-22页 |
| ·嵌入维数的确定 | 第22-23页 |
| ·C-C 法确定重构相空间参数 | 第23-24页 |
| ·混沌时间序列的识别 | 第24-26页 |
| ·Lyapunov 指数 | 第24-25页 |
| ·Wolf 法 | 第25页 |
| ·小数据量法 | 第25-26页 |
| ·风电场发电功率时间序列的属性研究 | 第26-29页 |
| ·风电场简介及数据来源 | 第26-27页 |
| ·风电场发电功率混沌识别 | 第27-29页 |
| ·混沌时间序列预测方法概述 | 第29-31页 |
| ·小结 | 第31-32页 |
| 3 基于 VOLTERRA 自适应滤波器的风电功率混沌预测 | 第32-38页 |
| ·Volterra 级数展开式 | 第32页 |
| ·Volterra 级数截断形式 | 第32-33页 |
| ·Volterra 自适应滤波器预测模型 | 第33-34页 |
| ·算例分析 | 第34-37页 |
| ·小结 | 第37-38页 |
| 4 基于 RBF 神经网络的风电功率混沌预测 | 第38-46页 |
| ·径向基函数 | 第38-39页 |
| ·RBF 神经网络运算特性 | 第39-40页 |
| ·RBF 神经网络结构及参数确定方法 | 第40-43页 |
| ·聚类方法 | 第41页 |
| ·最速梯度下降法 | 第41-42页 |
| ·混合参数学习算法 | 第42-43页 |
| ·风电功率混沌序列的RBF 神经网络预测方法 | 第43页 |
| ·算例分析 | 第43-45页 |
| ·小结 | 第45-46页 |
| 5 基于相似日和人工神经网络的风电功率短期预测 | 第46-58页 |
| ·引言 | 第46-47页 |
| ·风电场发电功率相似日的选择 | 第47-49页 |
| ·影响风电出力的因素 | 第47-49页 |
| ·相似日的选择方法 | 第49页 |
| ·风电功率Chebyshev 神经网络预测模型 | 第49-52页 |
| ·Chebyshev 正交基函数 | 第49-50页 |
| ·多输入Chebyshev 神经网络建模 | 第50-51页 |
| ·Chebyshev 神经网络衍生学习算法 | 第51页 |
| ·本模型的预测原理 | 第51-52页 |
| ·算例分析 | 第52-57页 |
| ·神经网络的训练 | 第52-53页 |
| ·风电功率预测结果 | 第53-56页 |
| ·误差分析 | 第56-57页 |
| ·小结 | 第57-58页 |
| 6 结论与展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 附录：作者在攻读学位期间发表的论文目录 | 第67页 |