摘要 | 第6-8页 |
Abstract | 第8-9页 |
第1章 绪论 | 第13-31页 |
1.1 课题研究的背景与意义 | 第13-15页 |
1.2 光伏发电与在电力系统中应用 | 第15-20页 |
1.2.1 光伏发电的基本原理 | 第15页 |
1.2.2 光伏发电的特点 | 第15-17页 |
1.2.3 光伏发电的并网方式 | 第17-18页 |
1.2.4 大规模光伏发电对电网的影响 | 第18-20页 |
1.3 光伏发电预测方法研究现状 | 第20-28页 |
1.3.1 光伏发电预测方法的分类与模式 | 第20-22页 |
1.3.2 光伏发电输出功率物理模型预测方法与数据驱动方法预测的区别 | 第22-23页 |
1.3.3 光伏发电输出功率超短期预测方法研究现状 | 第23-26页 |
1.3.4 光伏发电输出功率超期预测概率方法研究现状 | 第26-28页 |
1.4 主要研究内容 | 第28-29页 |
1.5 结构安排 | 第29-31页 |
第2章 基于极限学习机的光伏发电超短期输出功率区间预测方法 | 第31-47页 |
2.1 引言 | 第31-32页 |
2.2 极限学习机 | 第32-34页 |
2.3 基于ELM的预测区间上下限估计模型 | 第34-37页 |
2.4 基于粒子群算法的寻优方法 | 第37-38页 |
2.5 基于改进粒子算法的极限学习机光伏发电区间预测方法 | 第38-40页 |
2.6 实验测试 | 第40-46页 |
2.6.1 实验数据 | 第40页 |
2.6.2 隐层节点数确定 | 第40-41页 |
2.6.3 实验分析 | 第41-46页 |
2.7 小结 | 第46-47页 |
第3章 基于集成学习的光伏发电超短期功率区间预测方法 | 第47-65页 |
3.1 引言 | 第47页 |
3.2 集成学习方法 | 第47-52页 |
3.2.1 误差分解方法 | 第49-51页 |
3.2.2 偏差方差分解方法 | 第51页 |
3.2.3 集成学习的多样性 | 第51-52页 |
3.3 集成学习增强的ELM上限与下限区间预测方法 | 第52-60页 |
3.3.1 加权平均的方法 | 第53-54页 |
3.3.2 差分进化算法 | 第54-57页 |
3.3.3 基于集成学习的光伏发电超短期输出功率概率预测方法 | 第57-60页 |
3.4 实验研究 | 第60-63页 |
3.4.1 实验数据说明 | 第60页 |
3.4.2 实验分析 | 第60-63页 |
3.5 本章小结 | 第63-65页 |
第4章 基于Pareto最优的光伏发电超短期功率区间预测方法 | 第65-79页 |
4.1 引言 | 第65页 |
4.2 非线性相关性度量 | 第65-67页 |
4.2.1 基于余弦的非线性相关性度量 | 第65-67页 |
4.3 K-Means基本原理 | 第67-68页 |
4.4 基于Pareto最优的光伏发电功率区间预测方法 | 第68-73页 |
4.4.1 多目标问题描述 | 第68-69页 |
4.4.2 光伏发电区间预测帕累托最优优化准则 | 第69-70页 |
4.4.3 多目标遗传算法 | 第70-73页 |
4.4.4 基于NSGA-II的光伏发电功率概率区间预测方法 | 第73页 |
4.5 实验研究 | 第73-78页 |
4.5.1 实验说明 | 第73-74页 |
4.5.2 实验分析 | 第74-78页 |
4.6 本章小结 | 第78-79页 |
第5章 基于Bootstrap的光伏发电输出功率超短期概率预测方法 | 第79-94页 |
5.1 引言 | 第79-80页 |
5.2 不确定性量化框架 | 第80-82页 |
5.2.1 在ELM模型中的不确定性 | 第80页 |
5.2.2 数据噪声的不确定性 | 第80页 |
5.2.3 构建预测区间 | 第80-82页 |
5.3 基于Bootstrap的光伏发电超短期功率的区间预测方法 | 第82-90页 |
5.3.1 Bootstrap方法 | 第82-83页 |
5.3.2 模型偏差不确定性的量化方差 | 第83页 |
5.3.3 数据噪声不确定性量化方差 | 第83-90页 |
5.4 实验研究 | 第90-93页 |
5.4.1 实验说明 | 第90-91页 |
5.4.2 实验分析 | 第91-93页 |
5.5 本章小结 | 第93-94页 |
总结与展望 | 第94-97页 |
研究工作总结 | 第94-95页 |
工作展望 | 第95-97页 |
致谢 | 第97-98页 |
参考文献 | 第98-110页 |
攻读博士期间的论文及科研情况 | 第110页 |