| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-10页 |
| 1.1.1 全球风力发电发展现状 | 第8-9页 |
| 1.1.2 国内风力发电发展现状 | 第9-10页 |
| 1.1.3 风电预测研究的意义 | 第10页 |
| 1.2 风电预测研究进展 | 第10-12页 |
| 1.2.1 风电场风速功率预测技术分类 | 第10-11页 |
| 1.2.2 国内外研究现状概况 | 第11-12页 |
| 1.3 本文主要内容与组织结构 | 第12-14页 |
| 第二章 基于时间序列方法的风电场短期风速预测 | 第14-28页 |
| 2.1 时间序列模型的简介 | 第14页 |
| 2.2 时间序列模型的建立 | 第14-16页 |
| 2.2.1 模型识别 | 第14-15页 |
| 2.2.2 模型阶次的确定 | 第15-16页 |
| 2.2.3 模型参数估计 | 第16页 |
| 2.2.4 模型的验证 | 第16页 |
| 2.3 时间序列模型用于短期风速预测 | 第16-26页 |
| 2.3.1 风速数据的预处理 | 第16-21页 |
| 2.3.2 时间序列模型具体算例 | 第21-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 基于人工神经网络的风电场短期风速预测 | 第28-42页 |
| 3.1 人工神经网络概述 | 第28页 |
| 3.2 神经网络基础知识简介 | 第28-31页 |
| 3.2.1 神经元模型 | 第28-30页 |
| 3.2.2 神经网络的类别 | 第30页 |
| 3.2.3 神经网络的学习方法 | 第30-31页 |
| 3.3 基于BP神经网络的风电场短期风速预测 | 第31-35页 |
| 3.3.1 BP网络结构 | 第31页 |
| 3.3.2 BP算法原理 | 第31-32页 |
| 3.3.3 BP网络的局限性 | 第32-33页 |
| 3.3.4 BP网络具体算例 | 第33-35页 |
| 3.4 基于遗传算法优化的BP网络的风电场短期预测 | 第35-40页 |
| 3.4.1 遗传算法基本理论 | 第35-36页 |
| 3.4.2 遗传算法构造过程与基本操作 | 第36-37页 |
| 3.4.3 GA-BP网络原理及具体算例 | 第37-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于小波分析的短期风速混合预测方法研究 | 第42-52页 |
| 4.1 短期风速混合预测方法 | 第42-43页 |
| 4.2 小波分析基本理论 | 第43-46页 |
| 4.2.1 小波分析简介 | 第43页 |
| 4.2.2 连续小波变换 | 第43-44页 |
| 4.2.3 离散小波变换 | 第44页 |
| 4.2.4 多分辨率分析与Mallat算法 | 第44-46页 |
| 4.3 基于小波分解的混合预测算法与具体算例 | 第46-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 风电场短期功率预测研究 | 第52-60页 |
| 5.1 短期风电输出功率预测方法 | 第52页 |
| 5.2 风力发电机组的功率曲线建立方法 | 第52-54页 |
| 5.3 功率曲线建模具体算例 | 第54-56页 |
| 5.4 功率预测具体算例及方法比较 | 第56-58页 |
| 5.5 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文主要结论 | 第60页 |
| 6.2 课题研究展望 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 作者简介 | 第68页 |