风电场功率时间序列分析及预测方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 风电功率预测技术研究背景与意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究目的及意义 | 第9-10页 |
| 1.2 风电功率预测研究现状 | 第10-15页 |
| 1.2.1 风电功率预测方法的分类 | 第10-12页 |
| 1.2.2 基于时间序列的风电功率预测 | 第12-13页 |
| 1.2.3 风电功率预测国内外进展 | 第13-15页 |
| 1.3 研究内容 | 第15-17页 |
| 第2章 风电场数据预处理方法分析 | 第17-25页 |
| 2.1 风电场情况概述 | 第17-18页 |
| 2.2 风电场数据的平稳性检验 | 第18-20页 |
| 2.2.1 分段检验 | 第18-19页 |
| 2.2.2 单位根检验 | 第19-20页 |
| 2.2.3 协整检验 | 第20页 |
| 2.3 风电场数据预处理 | 第20-22页 |
| 2.3.1 数据的平稳性处理 | 第20-21页 |
| 2.3.2 遗忘因子在预处理中的应用 | 第21-22页 |
| 2.4 风电功率预测指标的选取 | 第22-24页 |
| 2.4.1 ARMA模型识别 | 第22-23页 |
| 2.4.2 误差指标的选取 | 第23-24页 |
| 2.5 小结 | 第24-25页 |
| 第3章 ARMA模型在风力发电功率预测中的应用 | 第25-37页 |
| 3.1 ARMA模型 | 第25-28页 |
| 3.1.1 一元线性回归模型 | 第25-26页 |
| 3.1.2 ARMA(n,m)模型 | 第26-28页 |
| 3.2 ARMA参数最小二乘估计 | 第28-35页 |
| 3.2.1 最小二乘原理 | 第28-30页 |
| 3.2.2 最小二乘估计 | 第30-32页 |
| 3.2.3 最小二乘递推估计 | 第32-35页 |
| 3.3 ARMA参数估计模型预测 | 第35-36页 |
| 3.4 小结 | 第36-37页 |
| 第4章 基于证据理论改进ARMA的风电功率预测 | 第37-43页 |
| 4.1 证据理论和论据合成方法 | 第37-39页 |
| 4.1.1 证据理论的含义 | 第37-38页 |
| 4.1.2 证据合成方法 | 第38-39页 |
| 4.2 证据理论模型在风电功率预测中的应用 | 第39-41页 |
| 4.3 基于证据理论优化的风电功率预测 | 第41-42页 |
| 4.4 小结 | 第42-43页 |
| 第5章 算例分析 | 第43-50页 |
| 5.1 风电场总体情况分析 | 第43-45页 |
| 5.1.1 风电场数据特性分析 | 第43-44页 |
| 5.1.2 风电场数据修正 | 第44页 |
| 5.1.3 单台风机数据预处理 | 第44-45页 |
| 5.2 基于证据理论改进ARMA的预测结果 | 第45-49页 |
| 5.2.1 ARMA模型定阶 | 第45-46页 |
| 5.2.2 ARMA最小二乘递推估计预测 | 第46-47页 |
| 5.2.3 证据理论改进ARMA | 第47-49页 |
| 5.3 小结 | 第49-50页 |
| 第6章 总结与展望 | 第50-52页 |
| 6.1 总结 | 第50页 |
| 6.2 展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 发表论文和参加科研情况 | 第55-56页 |
| 致谢 | 第56-57页 |
