| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第15-38页 |
| 1.1 课题的研究背景、目的和意义 | 第15-17页 |
| 1.2 国内外研究现状 | 第17-35页 |
| 1.2.1 不确定可再生能源的发展现状 | 第17-20页 |
| 1.2.2 UREP发电功率预测的研究现状 | 第20-24页 |
| 1.2.3 UREP功率消纳的研究现状 | 第24-26页 |
| 1.2.4 UREP能量储纳的研究现状 | 第26-31页 |
| 1.2.5 大规模UREP接入的应对方案 | 第31-35页 |
| 1.3 存在的问题 | 第35-36页 |
| 1.4 本文主要研究内容 | 第36-38页 |
| 第2章 可再生能源电网储纳运行模式 | 第38-52页 |
| 2.1 引言 | 第38页 |
| 2.2 可再生能源电网 | 第38-42页 |
| 2.2.1 失衡功率和失衡能量 | 第40-41页 |
| 2.2.2 失衡功率的消纳技术 | 第41-42页 |
| 2.3 储纳运行模式 | 第42-49页 |
| 2.3.1 储纳模式 | 第42-44页 |
| 2.3.2 约束运行 | 第44-49页 |
| 2.3.3 失衡成因分析 | 第49页 |
| 2.3.4 实时调度 | 第49页 |
| 2.4 储能设施的容量估算 | 第49-50页 |
| 2.5 可再生能源电网的储能容量约束 | 第50-51页 |
| 2.6 本章小结 | 第51-52页 |
| 第3章 基于小波包分解和改进Elman神经网络的风速及风电功率预测方法 | 第52-66页 |
| 3.1 引言 | 第52页 |
| 3.2 基于小波包分解原理的风速分频技术 | 第52-53页 |
| 3.3 采用带扰动PSO算法训练Elman神经网络 | 第53-56页 |
| 3.3.1 Elman神经网络原理 | 第53-55页 |
| 3.3.2 带扰动的PSO学习算法 | 第55-56页 |
| 3.4 风速及风电功率预测 | 第56-58页 |
| 3.5 算例分析 | 第58-65页 |
| 3.6 本章小结 | 第65-66页 |
| 第4章 基于风电可靠输出功率的储能设施容量配置 | 第66-88页 |
| 4.1 引言 | 第66-67页 |
| 4.2 风电功率预测误差分析 | 第67-72页 |
| 4.2.1 风电功率预测误差计算 | 第67-68页 |
| 4.2.2 风电功率预测误差概率分布 | 第68-70页 |
| 4.2.3 风电功率预测误差置信区间估计 | 第70-72页 |
| 4.3 储能设施容量与损失风能的关系 | 第72-80页 |
| 4.3.1 储能设施功率容量与损失风能的关系 | 第73页 |
| 4.3.2 储能设施能量容量与损失风能的关系 | 第73-76页 |
| 4.3.3 储能设施容量的成本效益分析 | 第76页 |
| 4.3.4 算例分析 | 第76-80页 |
| 4.4 基于风电可靠输出功率的储能设施容量配置 | 第80-86页 |
| 4.4.1 基于可靠输出功率的储能设施容量配置 | 第81-84页 |
| 4.4.2 基于可靠输出功率对储能设施的成本效益分析 | 第84-86页 |
| 4.5 本章小结 | 第86-88页 |
| 第5章 可再生能源电网储纳调度策略 | 第88-108页 |
| 5.1 引言 | 第88页 |
| 5.2 日前调度模型 | 第88-92页 |
| 5.2.1 目标函数 | 第89页 |
| 5.2.2 约束条件 | 第89-92页 |
| 5.3 实时调度模型 | 第92-93页 |
| 5.4 自动发电控制 | 第93-94页 |
| 5.4.1 自动发电控制机组的调节容量 | 第93-94页 |
| 5.4.2 自动发电控制与实时调度超前时间尺度的关系 | 第94页 |
| 5.5 上网功率平稳性评价指标 | 第94-95页 |
| 5.6 算例分析 | 第95-106页 |
| 5.6.1 简单系统算例分析 | 第95-97页 |
| 5.6.2 张家口电网典型日调度运行分析 | 第97-103页 |
| 5.6.3 抽水蓄能电站规模的敏感度分析 | 第103-106页 |
| 5.7 本章小结 | 第106-108页 |
| 结论 | 第108-110页 |
| 参考文献 | 第110-123页 |
| 附录 | 第123-127页 |
| 攻读博士学位期间发表的学术论文 | 第127-128页 |
| 攻读博士学位期间主要参加的课题 | 第128-130页 |
| 致谢 | 第130-131页 |
| 个人简历 | 第131页 |
