| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 论文的研究背景 | 第12-13页 |
| 1.2 论文的研究意义 | 第13-14页 |
| 1.3 短期风电功率预测研究现状 | 第14-16页 |
| 1.3.1 国外研究现状 | 第14-15页 |
| 1.3.2 国内研究现状 | 第15-16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 第2章 短期风电功率预测方法 | 第18-25页 |
| 2.1 风电功率预测的特点 | 第18-19页 |
| 2.2 风电功率预测方法分类 | 第19-21页 |
| 2.2.1 基于历史数据的预测方法 | 第19页 |
| 2.2.2 基于NWP模型的预测方法 | 第19-21页 |
| 2.3 风电功率预测误差指标 | 第21-22页 |
| 2.4 风电功率预测统计模型 | 第22-24页 |
| 2.4.1 持续法模型 | 第22页 |
| 2.4.2 时间序列方法模型 | 第22-23页 |
| 2.4.3 人工智能方法模型 | 第23-24页 |
| 2.4.4 其他方法模型 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于RBF-马尔可夫模型的风电功率预测 | 第25-36页 |
| 3.1 径向基函数神经网络概述 | 第25-28页 |
| 3.1.1 RBF神经元结构 | 第25-26页 |
| 3.1.2 RBF神经网络模型 | 第26-28页 |
| 3.2 马尔可夫理论 | 第28-30页 |
| 3.2.1 马尔可夫性 | 第28-29页 |
| 3.2.2 马尔可夫链 | 第29页 |
| 3.2.3 马尔可夫模型 | 第29-30页 |
| 3.3 基于RBF-马尔可夫模型的风电功率预测 | 第30-35页 |
| 3.3.1 RBF-马尔可夫模型构建 | 第30-32页 |
| 3.3.2 算例分析 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于BAPSO优化支持向量机的风电功率预测 | 第36-50页 |
| 4.1 统计学习基础理论 | 第36-38页 |
| 4.1.1 机器学习理论 | 第36页 |
| 4.1.2 VC维与结构风险最小化 | 第36-38页 |
| 4.2 支持向量机 | 第38-41页 |
| 4.2.1 支持向量机回归原理 | 第38-40页 |
| 4.2.2 核函数 | 第40-41页 |
| 4.3 蝙蝠算法 | 第41-44页 |
| 4.3.1 BA算法的生物学原理 | 第41-42页 |
| 4.3.2 基本BA算法 | 第42-43页 |
| 4.3.3 BA算法流程 | 第43-44页 |
| 4.4 BAPSO优化支持向量机建模 | 第44-49页 |
| 4.4.1 粒子群算法 | 第44-45页 |
| 4.4.2 BAPSO优化支持向量机模型构建 | 第45-47页 |
| 4.4.3 算例分析 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 风电功率预测结果不确定性研究 | 第50-61页 |
| 5.1 非参数估计理论 | 第50-55页 |
| 5.1.1 非参数密度估计原理 | 第50页 |
| 5.1.2 直方图估计法 | 第50-51页 |
| 5.1.3 Rosenblatt估计法 | 第51-52页 |
| 5.1.4 核密度估计法 | 第52-55页 |
| 5.2 置信区间非参数估计 | 第55-57页 |
| 5.2.1 风电功率预测误差概率分布 | 第55-56页 |
| 5.2.2 置信区间估计 | 第56-57页 |
| 5.3 实例分析 | 第57-60页 |
| 5.4 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士期间研究成果 | 第67-68页 |
| 致谢 | 第68页 |