| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-15页 |
| 1 绪论 | 第15-29页 |
| ·课题的研究背景和意义 | 第15-16页 |
| ·小世界网络理论的研究意义 | 第15页 |
| ·风电功率预测的研究意义 | 第15-16页 |
| ·小世界网络及其应用研究现状 | 第16-17页 |
| ·小世界网络及优化算法研究现状 | 第16页 |
| ·小世界神经网络研究现状 | 第16-17页 |
| ·风电功率预测研究现状 | 第17-25页 |
| ·风电功率预测分类 | 第17-18页 |
| ·国内外风电功率预测方法研究现状 | 第18-20页 |
| ·常用功率预测方法计算原理 | 第20-24页 |
| ·风电预测误差评价方法 | 第24-25页 |
| ·本文的主要工作 | 第25-29页 |
| ·研究内容 | 第25页 |
| ·技术路线 | 第25-29页 |
| 2 基于小世界理论的优化算法研究 | 第29-51页 |
| ·引言 | 第29页 |
| ·小世界网络理论概述 | 第29-32页 |
| ·图的基本定义 | 第29页 |
| ·网络统计量 | 第29-31页 |
| ·典型小世界网络模型 | 第31-32页 |
| ·禁忌实数编码小世界优化算法 | 第32-36页 |
| ·实数编码小世界优化算法(RSWA) | 第32-34页 |
| ·禁忌搜索(Tabu Search,TS)算法 | 第34页 |
| ·禁忌实数编码小世界优化算法(TRSWA) | 第34-36页 |
| ·TRSWA的Markov模型 | 第36-39页 |
| ·TRSWA数学描述 | 第36-37页 |
| ·TRSWA的Markov模型 | 第37-39页 |
| ·TRSWA的Markov模型具有齐次性 | 第39页 |
| ·TRSWA的收敛性分析 | 第39-42页 |
| ·收敛准则 | 第39-40页 |
| ·算法依概率收敛的证明 | 第40-41页 |
| ·算法的几乎处处强收敛的证明 | 第41-42页 |
| ·TRSWA收敛性实验仿真分析 | 第42-48页 |
| ·测试函数 | 第42-43页 |
| ·对不同维数函数算法收敛性分析 | 第43-47页 |
| ·参数选择 | 第47-48页 |
| ·基于TRSWA的BP神经网络模型(TRSWA-BP) | 第48-50页 |
| ·优化及建模过程 | 第48页 |
| ·非线性函数逼近 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 3 小世界神经网络理论及应用研究 | 第51-73页 |
| ·引言 | 第51页 |
| ·改进的WSBP小世界神经网络模型 | 第51-60页 |
| ·网络模型构建 | 第52页 |
| ·拓扑结构分析 | 第52-53页 |
| ·网络模型描述 | 第53-55页 |
| ·WSBP小世界神经网络算法公式推导及算法流程 | 第55-58页 |
| ·WSBP小世界神经网络最短路径长度和聚类系数 | 第58-60页 |
| ·改进的NWBP小世界神经网络模型 | 第60-64页 |
| ·网络模型构建 | 第60-61页 |
| ·拓扑结构分析 | 第61页 |
| ·网络模型描述 | 第61-63页 |
| ·NWBP小世界神经网络最短路径长度和聚类系数 | 第63-64页 |
| ·小世界神经网络收敛性分析 | 第64-66页 |
| ·基本假设 | 第64-65页 |
| ·收敛定理及其证明 | 第65-66页 |
| ·小世界神经网络非线性函数逼近 | 第66-71页 |
| ·算法性能比较 | 第67-68页 |
| ·重连(加边)概率p对系统性能的影响 | 第68-69页 |
| ·拓扑结构及网络模型举例 | 第69-71页 |
| ·本章小结 | 第71-73页 |
| 4 基于小世界理论的风场数据修订 | 第73-85页 |
| ·引言 | 第73页 |
| ·常用风电场数据预处理方法 | 第73-75页 |
| ·数据合理性检验 | 第73-74页 |
| ·奇异点检测 | 第74页 |
| ·空缺数据的修订 | 第74-75页 |
| ·小时平均数据及归一化处理方法 | 第75-77页 |
| ·风电场输出功率的影响因素 | 第75-76页 |
| ·小时平均数据处理方法 | 第76页 |
| ·归一化处理方法 | 第76-77页 |
| ·基于NWBP小世界神经网络的数据补差方法 | 第77-78页 |
| ·仿真分析 | 第78-83页 |
| ·不合理数据查找 | 第78-80页 |
| ·对数据的修订 | 第80-81页 |
| ·小时平均风速方法比较 | 第81-82页 |
| ·风向归一化方法比较 | 第82页 |
| ·不同数据修订方法性能比较 | 第82-83页 |
| ·本章小结 | 第83-85页 |
| 5 基于小世界神经网络与经验模态分解-相空间重构的风电功率预测 | 第85-107页 |
| ·引言 | 第85页 |
| ·基于小世界神经网络的风电功率短期预测 | 第85-91页 |
| ·预测模型的构建过程 | 第85-86页 |
| ·模型结构图 | 第86-87页 |
| ·仿真分析 | 第87-91页 |
| ·经验模态分解及相空间重构理论 | 第91-94页 |
| ·经验模态分解 | 第91页 |
| ·相空间重构理论 | 第91-94页 |
| ·基于小世界神经网络与经验模态分解-相空间重构的短期预测模型 | 第94-100页 |
| ·基于小世界神经网络与经验模态分解的预测模型 | 第95-96页 |
| ·基于小世界神经网络与相空间重构的预测模型 | 第96-97页 |
| ·基于小世界神经网络与经验模态分解-相空间重构的预测模型 | 第97-100页 |
| ·模型预测仿真与效果分析 | 第100-106页 |
| ·基于小世界神经网络与经验模态分解的短期预测 | 第100-101页 |
| ·基于小世界神经网络与相空间重构的短期预测 | 第101-102页 |
| ·基于小世界神经网络与经验模态分解-相空间重构的短期预测 | 第102-105页 |
| ·模型运行时间比较 | 第105-106页 |
| ·本章小结 | 第106-107页 |
| 6 风电场组合功率预测及单项模型筛选研究 | 第107-123页 |
| ·引言 | 第107页 |
| ·单项模型筛选理论 | 第107-110页 |
| ·灰色关联分析 | 第108页 |
| ·单位根检验理论 | 第108-109页 |
| ·协整性理论 | 第109页 |
| ·优性组合预测方法的选择 | 第109-110页 |
| ·参加风电功率预测各单项模型筛选研究 | 第110-116页 |
| ·灰关联分析 | 第110-111页 |
| ·协整性筛选 | 第111页 |
| ·优性组合判定 | 第111-112页 |
| ·灰关联度γ_i<0.7剔除准则合理性检验 | 第112-113页 |
| ·其他预测时间尺度模型筛选结果 | 第113-116页 |
| ·基于小世界优化的变权组合预测模型 | 第116-118页 |
| ·常用组合预测方法 | 第116-117页 |
| ·基于小世界优化的变权组合预测模型 | 第117-118页 |
| ·小世界优化的变权组合预测模型在风电功率预测中的应用 | 第118-121页 |
| ·筛选方法的有效性分析 | 第119-120页 |
| ·组合预测模型的预测性能分析 | 第120-121页 |
| ·本章小结 | 第121-123页 |
| 7 风电功率预测不确定性研究 | 第123-139页 |
| ·引言 | 第123-124页 |
| ·概率分布理论及其不确定性分析方法 | 第124-132页 |
| ·蒙特卡罗原理及概率性预测 | 第124-125页 |
| ·概率性预测不确定性方法 | 第125-126页 |
| ·仿真分析 | 第126-132页 |
| ·分位数回归理论及其不确定性分析方法 | 第132-138页 |
| ·分位数回归基本原理 | 第132-134页 |
| ·基于NWBP小世界神经网络的分位数不确定性分析方法 | 第134-135页 |
| ·仿真分析 | 第135-138页 |
| ·本章小结 | 第138-139页 |
| 8 结论与展望 | 第139-143页 |
| ·主要内容与结论 | 第139-140页 |
| ·论文的主要贡献与创新点 | 第140页 |
| ·未来工作的展望 | 第140-143页 |
| 参考文献 | 第143-151页 |
| 作者简历及攻读博士期间取得的研究成果 | 第151-155页 |
| 学位论文数据集 | 第155页 |
