| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第15-24页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.2 风电功率预测研究现状 | 第17-20页 |
| 1.2.1 风电功率预测方法 | 第18-19页 |
| 1.2.2 风电功率不确定性预测研究 | 第19-20页 |
| 1.3 主要研究内容 | 第20-24页 |
| 1.3.1 研究方法 | 第20-21页 |
| 1.3.2 本文的主要创新点 | 第21-22页 |
| 1.3.3 研究思路 | 第22-24页 |
| 第二章 相关模型概述 | 第24-30页 |
| 2.1 数据预处理 | 第24-25页 |
| 2.1.1 异常值检测 | 第24页 |
| 2.1.2 三次样条插值 | 第24-25页 |
| 2.2 分位数回归 | 第25-26页 |
| 2.3 支持向量分位数回归 | 第26-28页 |
| 2.3.1 支持向量机基本理论 | 第26-27页 |
| 2.3.2 支持向量分位数回归模型 | 第27-28页 |
| 2.4 神经网络分位数回归 | 第28-30页 |
| 2.4.1 神经网络基本理论 | 第28-29页 |
| 2.4.2 神经网络分位数回归模型 | 第29-30页 |
| 第三章 基于支持向量分位数回归的风电功率概率密度预测 | 第30-38页 |
| 3.1 支持向量分位数回归的风电功率预测模型 | 第30页 |
| 3.2 基于核密度估计的概率密度预测 | 第30-32页 |
| 3.3 预测结果评价准则 | 第32-34页 |
| 3.3.1 点预测结果分析 | 第32-33页 |
| 3.3.2 区间预测评价准则 | 第33-34页 |
| 3.4 风电功率数据集案例分析 | 第34-38页 |
| 第四章 基于三次样条插值和支持向量分位数回归的风电功率概率密度预测 | 第38-46页 |
| 4.1 基于三次样条插值和支持向量分位数回归的概率密度预测模型 | 第38页 |
| 4.2 考虑异常值影响的风电功率预测案例分析 | 第38-46页 |
| 4.2.1 加拿大安大略省风电功率样本 | 第40-43页 |
| 4.2.2 吉林省风电场输出功率样本 | 第43-46页 |
| 第五章 基于无偏交叉验证和神经网络分位数回归的风电功率概率密度预测 | 第46-56页 |
| 5.1 基于无偏交叉验证和神经网络分位数回归的概率密度预测模型 | 第46-48页 |
| 5.2 不同季节下的风电功率预测案例分析 | 第48-56页 |
| 5.2.1 冬季风电数据案例分析 | 第49-52页 |
| 5.2.2 夏季风电数据案例分析 | 第52-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 本文主要研究工作和意义 | 第56页 |
| 6.2 研究展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第64-65页 |
