| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第15-25页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 风电发展现状 | 第16-18页 |
| 1.2.1 全球风电发展现状 | 第16-17页 |
| 1.2.2 我国风电发展现状 | 第17-18页 |
| 1.3 风电功率预测研究现状 | 第18-23页 |
| 1.3.1 风电功率预测的意义 | 第18-19页 |
| 1.3.2 现有的风电发电功率预测方法 | 第19-20页 |
| 1.3.3 风电短期预测算法概述 | 第20-22页 |
| 1.3.4 风电短期预测技术的难点 | 第22-23页 |
| 1.4 风电功率预测误差指标 | 第23页 |
| 1.5 本文研究内容与章节安排 | 第23-25页 |
| 2 经典神经网络与深度学习理论 | 第25-35页 |
| 2.1 引言 | 第25-26页 |
| 2.2 典型方法 | 第26-33页 |
| 2.2.1 BP神经网络 | 第26-29页 |
| 2.2.2 循环神经网络与长短期记忆法网络 | 第29-33页 |
| 2.3 PyTorch深度学习平台 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 3 风电功率预测数据集的建立 | 第35-42页 |
| 3.1 引言 | 第35页 |
| 3.2 数据集质量分析 | 第35-37页 |
| 3.3 数据的清除与填充 | 第37-41页 |
| 3.3.1 四分位法原理 | 第37-39页 |
| 3.3.2 基于四分法位法的数据清洗 | 第39-40页 |
| 3.3.3 基于插值法的数据填充 | 第40-41页 |
| 3.4 本章小节 | 第41-42页 |
| 4 基于BP神经网络的风电功率点预测方法 | 第42-57页 |
| 4.1 引言 | 第42页 |
| 4.2 基于BP神经网络的风电点预测方法 | 第42-46页 |
| 4.2.1 实验条件 | 第42-44页 |
| 4.2.2 实验结果 | 第44-46页 |
| 4.3 基于组合损失函数的BP神经网络风电短期预测方法 | 第46-56页 |
| 4.3.1 概述 | 第46页 |
| 4.3.2 基于BP-ANN和组合损失函数的风电预测方法 | 第46-49页 |
| 4.3.3 人工神经网络中的损失函数 | 第49-53页 |
| 4.3.4 算例分析 | 第53-55页 |
| 4.3.5 小结 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 基于参数法与非参数法的风电功率概率预测方法 | 第57-71页 |
| 5.1 引言 | 第57页 |
| 5.2 区间预测评价指标 | 第57-58页 |
| 5.2.1 可靠性指标 | 第57-58页 |
| 5.2.2 敏锐性指标 | 第58页 |
| 5.2.3 技能得分指标 | 第58页 |
| 5.3 基于正态分布的参数法概率区间预测 | 第58-61页 |
| 5.3.1 正态分布估计原理 | 第58-59页 |
| 5.3.2 算法说明 | 第59页 |
| 5.3.3 实验结果 | 第59-61页 |
| 5.4 基于核密度估计的非参数法概率区间预测 | 第61-65页 |
| 5.4.1 核密度估计原理 | 第61-62页 |
| 5.4.2 算法说明 | 第62-63页 |
| 5.4.3 实验结果 | 第63-65页 |
| 5.5 基于参数法和非参数法的组合概率区间预测 | 第65-69页 |
| 5.5.1 算法说明 | 第65-67页 |
| 5.5.2 实验结果 | 第67-69页 |
| 5.5.3 小结 | 第69页 |
| 5.6 本章小结 | 第69-71页 |
| 6 结论与展望 | 第71-73页 |
| 6.1 全文工作总结 | 第71-72页 |
| 6.2 研究工作展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 作者简历 | 第79页 |