| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 课题研究背景及意义 | 第12-14页 |
| 1.1.1 风能利用的历史 | 第13页 |
| 1.1.2 利用风能发电的优点和缺点 | 第13-14页 |
| 1.2 国内外风能产业现状 | 第14-18页 |
| 1.2.1 国外风能产业 | 第14-16页 |
| 1.2.2 国内风能产业现状 | 第16-18页 |
| 1.2.2.1 我国风能分布情况 | 第16-17页 |
| 1.2.2.2 我国风能区域装机情况 | 第17-18页 |
| 1.3 大陈岛电网简介 | 第18-20页 |
| 1.3.1 大陈岛电网的历史 | 第19页 |
| 1.3.2 大陈岛星星风电场投运后的影响 | 第19-20页 |
| 1.4 国内外对含风电场潮流和输出功率预测的研究进展 | 第20-21页 |
| 1.5 本文的主要工作 | 第21-22页 |
| 第2章 风力与风电场输出功率概率模型 | 第22-27页 |
| 2.1 风力概率模型 | 第22-24页 |
| 2.1.1 威布尔（weibull）分布模型 | 第22-23页 |
| 2.1.2 威布尔（Weibull）分布应用到风速预测 | 第23-24页 |
| 2.2 风机与风电场输出功率概率模型 | 第24-26页 |
| 2.2.1 风机输出功率的概率模型 | 第24-25页 |
| 2.2.2 风力发电机的有功概率分布 | 第25页 |
| 2.2.3 风力发电机的无功概率分布 | 第25页 |
| 2.2.4 风电场输出功率的概率模型 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 电网潮流计算概述 | 第27-36页 |
| 3.1 电网潮流计算的含义和作用 | 第27-28页 |
| 3.1.1 什么是电网潮流 | 第27-28页 |
| 3.1.2 潮流计算的作用 | 第28页 |
| 3.2 电网相关设备等效模型 | 第28-30页 |
| 3.2.1 电力线路模型 | 第28-29页 |
| 3.2.2 变压器模型 | 第29-30页 |
| 3.3 几种常用的潮流算法 | 第30-32页 |
| 3.3.1 节点导纳阵迭代法 | 第30页 |
| 3.3.2 节点阻抗阵迭代法 | 第30-31页 |
| 3.3.3 牛顿-拉夫逊法 | 第31页 |
| 3.3.4 快速解耦法 | 第31页 |
| 3.3.5 常用潮流算法小结 | 第31-32页 |
| 3.4 牛顿-拉夫逊法的实现 | 第32-35页 |
| 3.4.1 牛顿-拉夫逊算法的电网数学模型 | 第32页 |
| 3.4.2 牛顿-拉夫逊算法的计算过程 | 第32-34页 |
| 3.4.3 牛顿-拉夫逊算法的软件流程图 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 Python语言与相关模块 | 第36-45页 |
| 4.1 Python语言简介 | 第36-37页 |
| 4.2 Pypower电网潮流计算模块 | 第37页 |
| 4.2.2 Pypower模块 | 第37页 |
| 4.2.3 Pypower与Matpower的异同 | 第37页 |
| 4.3 windML风电预测框架 | 第37-44页 |
| 4.3.1 windML的基本原理 | 第38-39页 |
| 4.3.2 数据挖掘简介 | 第39-40页 |
| 4.3.3 k-Nearest Neighbors算法 | 第40-41页 |
| 4.3.4 SVR算法 | 第41-42页 |
| 4.3.5 Sklearn模块 | 第42页 |
| 4.3.6 windML调用KNN算法 | 第42-43页 |
| 4.3.7 windML调用SVR算法 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 Pypower模块计算大陈岛电网潮流 | 第45-64页 |
| 5.1 Pypower模块的安装和调试 | 第45-48页 |
| 5.1.1 Pypower模块的安装 | 第45-46页 |
| 5.1.2 验证Pypower模块有效性 | 第46-48页 |
| 5.2 大陈岛电网 | 第48-60页 |
| 5.2.1 大陈岛星星风电 | 第50-51页 |
| 5.2.2 星星风电各项数据 | 第51-55页 |
| 5.2.3 星星风电场的一次设备电气连接图 | 第55-56页 |
| 5.2.4 星星风电场并入 35kV网络分析 | 第56-57页 |
| 5.2.5 本文计算潮流时使用的计算图 | 第57-58页 |
| 5.2.6 具体数据带入计算图 | 第58-60页 |
| 5.3 Pypower计算及结果分析 | 第60-63页 |
| 5.3.1 数据导入计算机 | 第60-62页 |
| 5.3.2 计算结果分析 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第6章 Sklearn模块预测大陈风电输出功率 | 第64-74页 |
| 6.1 训练数据的获取和Sklearn模块配置 | 第64-66页 |
| 6.1.1 原始训练数据库的获取 | 第65-66页 |
| 6.1.2 训练数据库的结构 | 第66页 |
| 6.1.3 Sklearn数据挖掘模块的配置 | 第66页 |
| 6.2 调用数据挖掘算法处理训练数据库 | 第66-72页 |
| 6.2.1 调用KNN算法的预测流程图 | 第67-69页 |
| 6.2.2 KNN算法neighbor参数选择 | 第69页 |
| 6.2.3 调用SVR算法的预测流程图 | 第69-71页 |
| 6.2.4 SVR算法参数C和参数epsilon的选择 | 第71-72页 |
| 6.3 KNN预测模型与SVR预测模型对比 | 第72-73页 |
| 6.4 本章小结 | 第73-74页 |
| 第7章 结论与展望 | 第74-76页 |
| 7.1 结论 | 第74-75页 |
| 7.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-81页 |
| 作者简介 | 第81页 |
