基于NWP和改进BP神经网络的风电功率预测研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 序言 | 第9-12页 |
| 1 引言 | 第12-20页 |
| 1.1 论文的背景及意义 | 第12-13页 |
| 1.2 风电功率预测简介 | 第13-14页 |
| 1.2.1 风电功率预测的物理方法 | 第13页 |
| 1.2.2 风电功率预测的统计方法 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-19页 |
| 1.3.1 风电功率预测研究现状 | 第14-16页 |
| 1.3.2 BP神经网络研究现状 | 第16-17页 |
| 1.3.3 小世界神经网络研究现状 | 第17-19页 |
| 1.4 论文研究内容 | 第19-20页 |
| 2 BP神经网络的改进与建模 | 第20-32页 |
| 2.1 BP神经网络 | 第20-26页 |
| 2.1.1 BP学习算法的原理 | 第20-21页 |
| 2.1.2 BP网络的前馈计算 | 第21-23页 |
| 2.1.3 BP网络权值调整规则 | 第23-26页 |
| 2.2 小世界网络 | 第26-28页 |
| 2.2.1 WS型小世界网络 | 第26-28页 |
| 2.2.2 NW型小世界网络 | 第28页 |
| 2.3 BP神经网络结构的改进 | 第28-30页 |
| 2.4 小结 | 第30-32页 |
| 3 风电数据的处理 | 第32-41页 |
| 3.1 数据完整性与合理性的检测 | 第32-33页 |
| 3.2 数据的归一化处理 | 第33页 |
| 3.3 基于改进互信息的改进特征选择算法 | 第33-37页 |
| 3.3.1 信息技术 | 第33-35页 |
| 3.3.2 基于互信息技术的改进特征选择算法 | 第35-36页 |
| 3.3.3 风电功率预测输入特征的选择 | 第36-37页 |
| 3.4 平均值法数据预处理 | 第37-39页 |
| 3.5 小结 | 第39-41页 |
| 4 改进BP神经网络的实用性验证 | 第41-46页 |
| 4.1 引言 | 第41页 |
| 4.2 改进前后BP神经网络的性能对比 | 第41-44页 |
| 4.2.1 收敛性对比 | 第41-43页 |
| 4.2.2 训练循环次数对比 | 第43页 |
| 4.2.3 功率预测误差 | 第43-44页 |
| 4.3 小结 | 第44-46页 |
| 5 基于NWP的风电功率预测方法 | 第46-55页 |
| 5.1 风能的特性分析 | 第46-47页 |
| 5.2 数值天气预报的使用方法 | 第47-52页 |
| 5.2.1 数值天气预报 | 第47-51页 |
| 5.2.2 数值天气预报的使用方法 | 第51-52页 |
| 5.3 风电功率预测的评判标准 | 第52-53页 |
| 5.4 小结 | 第53-55页 |
| 6 基于NWP和改进BP神经网络的风电功率预测 | 第55-62页 |
| 6.1 风电功率的实时预报 | 第55-58页 |
| 6.2 风电功率的日预报 | 第58-60页 |
| 6.3 小结 | 第60-62页 |
| 7 结论 | 第62-64页 |
| 7.1 总结 | 第62-63页 |
| 7.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第68-70页 |
| 学位论文数据集 | 第70页 |
