| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题研究的背景和意义 | 第11页 |
| 1.2 风力发电国内外研究现状 | 第11-12页 |
| 1.3 风力发电存在的问题 | 第12-14页 |
| 1.3.1 风速预测研究方法 | 第12-13页 |
| 1.3.2 频率优化控制 | 第13页 |
| 1.3.3 最大风能捕获方法 | 第13-14页 |
| 1.4 本文的主要研究内容 | 第14-16页 |
| 第2章 基于PSO优化B样条神经网络的短期风速预测 | 第16-34页 |
| 2.1 引言 | 第16页 |
| 2.2 风力机空气动力模型 | 第16-20页 |
| 2.3 相空间重构 | 第20-23页 |
| 2.3.1 数据处理 | 第20-21页 |
| 2.3.2 Takens定理 | 第21页 |
| 2.3.3 参数选择 | 第21-23页 |
| 2.4 BSNN拟合与预测 | 第23-27页 |
| 2.4.1 BSNN的基函数选取 | 第23-26页 |
| 2.4.2 BSNN的工作原理及学习算法 | 第26-27页 |
| 2.5 PSO-BSNN算法实现 | 第27-29页 |
| 2.5.1 PSO算法原理 | 第27-28页 |
| 2.5.2 PSO优化BSNN算法实现 | 第28-29页 |
| 2.6 仿真结果与分析 | 第29-32页 |
| 2.7 结论 | 第32-34页 |
| 第3章 基于ADHDP的风-柴混合发电系统频率优化控制 | 第34-45页 |
| 3.1 引言 | 第34页 |
| 3.2 风-柴混合微电网结构 | 第34-35页 |
| 3.3 最大风能捕获 | 第35-36页 |
| 3.4 ADHDP控制器 | 第36-42页 |
| 3.4.1 柴油发电机数学模型 | 第36-37页 |
| 3.4.2 ADHDP控制算法 | 第37-38页 |
| 3.4.3 基于RBF神经网络的ADHDP算法实现 | 第38-42页 |
| 3.5 仿真结果与分析 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于云RBF神经网络的最大风能捕获-ADDHDP法 | 第45-58页 |
| 4.1 引言 | 第45页 |
| 4.2 云RBF神经网络 | 第45-48页 |
| 4.2.1 云定义 | 第45-46页 |
| 4.2.2 云模型 | 第46-47页 |
| 4.2.3 云RBF神经网络 | 第47-48页 |
| 4.3 无需风速检测的最大风能追踪控制 | 第48-51页 |
| 4.3.1 最大风能追踪控制 | 第48-49页 |
| 4.3.2 PMSG数学模型 | 第49-50页 |
| 4.3.3 无需风速检测的PMSG最大风能追踪 | 第50-51页 |
| 4.4 ADDHDP控制器 | 第51-54页 |
| 4.4.1 PMSG电流跟踪模型 | 第51页 |
| 4.4.2 近似动态规划算法 | 第51-52页 |
| 4.4.3 基于云RBF神经网络的ADDHDP算法实现 | 第52-54页 |
| 4.5 仿真结果与分析 | 第54-57页 |
| 4.6 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第64-65页 |
| 致谢 | 第65-66页 |
| 作者简介 | 第66页 |
