| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 引言 | 第10页 |
| 1.2 课题背景及研究意义 | 第10-14页 |
| 1.2.1 风电产业的发展现状及问题 | 第10-13页 |
| 1.2.2 风电场功率预测的价值与意义 | 第13-14页 |
| 1.3 风功率预测方法分类 | 第14-15页 |
| 1.4 国内外风功率预测研究的综述 | 第15-18页 |
| 1.4.1 国外研究现状 | 第15-17页 |
| 1.4.2 国内研究现状 | 第17-18页 |
| 1.5 论文的主要研究内容 | 第18-20页 |
| 第2章 引力搜索算法及其改进 | 第20-31页 |
| 2.1 引言 | 第20页 |
| 2.2 引力搜索算法的基本理论 | 第20-25页 |
| 2.2.1 万有引力搜索算法的原理 | 第20-22页 |
| 2.2.2 引力搜索算法的描述 | 第22-24页 |
| 2.2.3 引力搜索算法基本步骤 | 第24-25页 |
| 2.3 引力搜索算法的常见改进方法 | 第25页 |
| 2.4 本文的改进方法 | 第25-28页 |
| 2.4.1 混沌序列初始种群 | 第25-26页 |
| 2.4.2 全局记忆性的速度权重系数 | 第26-27页 |
| 2.4.3 高斯扰动 | 第27页 |
| 2.4.4 改进引力搜索算法(AGSA)的步骤 | 第27-28页 |
| 2.5 算例分析 | 第28-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于指数径向基核函数的最小二乘向量机超短期风功率预测 | 第31-44页 |
| 3.1 引言 | 第31页 |
| 3.2 小样本统计决策框架 | 第31-33页 |
| 3.3 支持向量机回归模型 | 第33-34页 |
| 3.4 基于指数径向基核函数的最小二乘支持向量机预测模型 | 第34-37页 |
| 3.4.1 基于ERBF核函数的LSSVM模型 | 第34-36页 |
| 3.4.2 建立AGSA优化ERBF核函数的LSSVM的预测模型 | 第36-37页 |
| 3.5 仿真仿真及其结果分析 | 第37-43页 |
| 3.5.1 风功率样本数据来源及处理 | 第37-38页 |
| 3.5.2 预测模型的评价指标 | 第38-39页 |
| 3.5.3 预测模型参数设置 | 第39页 |
| 3.5.4 AGSA优化8种不同核函数的LSSVM预测模型的结果与分析 | 第39-41页 |
| 3.5.5 ERBF核函数的LSSVM预测模型结果及分析 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 基于EEMD-AGSA-LSSVM的超短期风功率组合预测 | 第44-58页 |
| 4.1 引言 | 第44-45页 |
| 4.2 EMD与EEMD的分解算法 | 第45-48页 |
| 4.2.1 EMD经验模态分解 | 第45-47页 |
| 4.2.2 EEMD的算法分析 | 第47-48页 |
| 4.3 风功率时间序列信号的相空间重构 | 第48-51页 |
| 4.4 基于EEMD-AGSA-LSSVM的预测模型 | 第51页 |
| 4.5 仿真系统分析算例仿真及结果分析 | 第51-57页 |
| 4.5.1 风功率样本的EEMD分解结果 | 第51-53页 |
| 4.5.2 EEMD-AGSA-LSSVM模型的预测结果及分析 | 第53-57页 |
| 4.6 本章小结 | 第57-58页 |
| 结论与展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-67页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第67-68页 |
| 附录B 攻读学位期间所参与的项目 | 第68页 |
