| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 风电功率预测方法 | 第9-13页 |
| 1.2.1 风电功率预测方法分类 | 第9-10页 |
| 1.2.2 风电功率预测方法介绍 | 第10-13页 |
| 1.3 国内外风电功率预测系统研究现状 | 第13-14页 |
| 1.3.1 国外风电功率预测系统研究现状 | 第13-14页 |
| 1.3.2 国内风电功率预测系统研究现状 | 第14页 |
| 1.4 本论文工作 | 第14-16页 |
| 2 风电功率预测的基本理论介绍 | 第16-29页 |
| 2.1 引言 | 第16页 |
| 2.2 各单项预测方法 | 第16-25页 |
| 2.2.1 BP神经网络 | 第16-17页 |
| 2.2.2 ELM方法 | 第17-19页 |
| 2.2.3 时间序列法 | 第19-21页 |
| 2.2.4 SVM方法 | 第21-22页 |
| 2.2.5 RBF神经网络 | 第22-24页 |
| 2.2.6 GRNN神经网络 | 第24-25页 |
| 2.3 时间序列的混沌属性 | 第25-27页 |
| 2.3.1 识别时间序列的混沌属性 | 第25-26页 |
| 2.3.2 时间序列的相空间重构 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 3 基于不同优化准则和GRNN的风电功率非线性组合预测 | 第29-42页 |
| 3.1 引言 | 第29页 |
| 3.2 灰色关联度基本理论 | 第29-30页 |
| 3.3 单项预测模型的选择 | 第30-32页 |
| 3.3.1 单项预测模型的相对灰色关联度 | 第30-31页 |
| 3.3.2 基于综合灰色关联度的单项模型筛选方法 | 第31-32页 |
| 3.4 优化模型 | 第32-34页 |
| 3.4.1 构造线性组合模型 | 第32-33页 |
| 3.4.2 优化模型的建立 | 第33-34页 |
| 3.5 算例分析 | 第34-41页 |
| 3.5.1 单项预测模型的训练 | 第34-35页 |
| 3.5.2 单项预测模型的筛选 | 第35-37页 |
| 3.5.3 基于不同优化准则的线性组合模型 | 第37-38页 |
| 3.5.4 GRNN非线性组合模型预测效果分析 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 基于改进PSO-DE优化AWNN的风电功率超短期多步预测 | 第42-57页 |
| 4.1 引言 | 第42页 |
| 4.2 自适应小波神经网络模型 | 第42-44页 |
| 4.2.1 小波分析理论 | 第42-43页 |
| 4.2.2 自适应小波神经网络 | 第43-44页 |
| 4.2.3 AWNN网络结构的确定 | 第44页 |
| 4.3 改进粒子群和差分进化混合算法 | 第44-46页 |
| 4.3.1 粒子群(PSO)算法 | 第44-45页 |
| 4.3.2 差分进化(DE)算法 | 第45页 |
| 4.3.3 改进PSO-DE算法 | 第45-46页 |
| 4.4 风电功率预测模型 | 第46-48页 |
| 4.4.1 风电功率多步预测 | 第46-47页 |
| 4.4.2 预测模型流程 | 第47-48页 |
| 4.5 算例分析 | 第48-55页 |
| 4.5.1 仿真参数设置 | 第48-49页 |
| 4.5.2 仿真结果 | 第49-55页 |
| 4.6 本章小结 | 第55-57页 |
| 5 结论和展望 | 第57-59页 |
| 5.1 结论 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |
| A.作者在攻读硕士期间发表的论文 | 第64页 |
| B.作者在攻读硕士期间参加的科研项目 | 第64页 |