致谢 | 第5-6页 |
摘要 | 第6-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第15-22页 |
1.1 课题的研究背景及意义 | 第15-17页 |
1.1.1 研究背景 | 第15-17页 |
1.1.2 研究意义 | 第17页 |
1.2 国内外研究现状 | 第17-20页 |
1.2.1 预测方法分类 | 第17-18页 |
1.2.2 国外研究现状 | 第18-19页 |
1.2.3 国内研究现状 | 第19-20页 |
1.3 本文的内容与结构 | 第20-22页 |
第2章 风电相关特性分析 | 第22-29页 |
2.1 风的特性 | 第22-24页 |
2.1.1 风的动能 | 第22-23页 |
2.1.2 风速概率分布模型 | 第23-24页 |
2.2 风力发电概述 | 第24-27页 |
2.2.1 风力发电原理 | 第24-25页 |
2.2.2 风电机组的功率曲线 | 第25-27页 |
2.3 预测误差及评价指标 | 第27-28页 |
2.3.1 预测误差来源 | 第27-28页 |
2.3.2 预测模型评价指标 | 第28页 |
2.4 本章小结 | 第28-29页 |
第3章 风电场数据预处理及风电功率曲线 | 第29-40页 |
3.1 风速-功率异常数据分类 | 第29-31页 |
3.2 预处理异常数据 | 第31-33页 |
3.3 四分位法剔除异常数据 | 第33-36页 |
3.4 四分位法算法 | 第36-37页 |
3.4.1 四分位法数据清洗流程 | 第36-37页 |
3.4.2 清洗结果分析 | 第37页 |
3.5 功率曲线拟合 | 第37-39页 |
3.6 本章小结 | 第39-40页 |
第4章 基于改进灰色-马尔可夫链的风电功率预测 | 第40-62页 |
4.1 灰色预测 | 第40-44页 |
4.1.1 灰色系统理论的基本概念 | 第40-42页 |
4.1.2 GM(1,1)预测模型 | 第42-44页 |
4.2 马尔可夫链模型 | 第44-45页 |
4.2.1 马尔可夫过程 | 第44页 |
4.2.2 马尔可夫链的定义 | 第44-45页 |
4.3 灰色-马尔可夫链预测算法 | 第45-46页 |
4.4 模糊集合 | 第46-47页 |
4.4.1 模糊集合定义 | 第46-47页 |
4.4.2 模糊集合表示 | 第47页 |
4.5 粒子群算法 | 第47-50页 |
4.5.1 粒子群算法概述 | 第47-48页 |
4.5.2 粒子群算法流程 | 第48-49页 |
4.5.3 粒子群算法核心参数 | 第49-50页 |
4.6 优化灰色-马尔可夫预测算法 | 第50-58页 |
4.6.1 优化方案 | 第50-51页 |
4.6.2 残差状态区间的模糊分类 | 第51-53页 |
4.6.3 残差区间取值优化 | 第53-56页 |
4.6.4 状态转移矩阵加权优化 | 第56-58页 |
4.7 结果对比分析 | 第58-61页 |
4.8 本章小结 | 第61-62页 |
第5章 基于小波变换的GA-BP-ARMA风功率短期预测 | 第62-83页 |
5.1 小波变换算法 | 第62-64页 |
5.1.1 小波变换原理 | 第62-63页 |
5.1.2 Mallat快速算法 | 第63-64页 |
5.2 BP神经网络 | 第64-65页 |
5.2.1 BP神经网络概述 | 第64-65页 |
5.2.2 信号前向传播 | 第65页 |
5.2.3 误差反向传播 | 第65页 |
5.3 遗传算法 | 第65-68页 |
5.3.1 遗传算法概述 | 第65-66页 |
5.3.2 遗传算法流程 | 第66-68页 |
5.4 GA-BP神经网络算法 | 第68-70页 |
5.5 ARMA模型 | 第70-71页 |
5.6 GA-BP-ARMA预测算法 | 第71-72页 |
5.7 算法应用与分析 | 第72-81页 |
5.7.1 小波分解 | 第73-74页 |
5.7.2 GA-BP模型预测 | 第74-76页 |
5.7.3 ARMA模型预测 | 第76-79页 |
5.7.4 GA-BP-GAMA模型预测结果分析 | 第79-81页 |
5.8 本章小结 | 第81-83页 |
第6章 总结与展望 | 第83-85页 |
6.1 全文总结 | 第83-84页 |
6.2 展望 | 第84-85页 |
参考文献 | 第85-90页 |
科研成果 | 第90页 |