基于深度学习网络的风电场功率预测研究及应用
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第12-21页 |
| ·课题研究背景及意义 | 第12-14页 |
| ·国内外风电功率预测研究现状 | 第14-17页 |
| ·风电功率短期预测方法 | 第17-19页 |
| ·风电功率短期预测方法分类 | 第17-18页 |
| ·风电功率预测误差指标 | 第18-19页 |
| ·本文研究内容和章节安排 | 第19-21页 |
| 第二章数据的统计规律研究及处理 | 第21-33页 |
| ·引言 | 第21页 |
| ·数据预处理 | 第21-23页 |
| ·数值天气预报数据统计规律研究 | 第23-32页 |
| ·数值天气预报 | 第23-24页 |
| ·数值天气预报数据校正 | 第24页 |
| ·数值天气预报风速数据分析 | 第24-31页 |
| ·数值天气预报风向数据分析与处理 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章建立基于深度学习网络的功率预测模型 | 第33-47页 |
| ·引言 | 第33页 |
| ·深度学习网络算法 | 第33-38页 |
| ·深度学习网络 | 第33-34页 |
| ·深度信念网络(DBN) | 第34页 |
| ·限制玻尔兹曼机(RBM)模型参数分析 | 第34-36页 |
| ·深度信念网络的训练方法 | 第36-38页 |
| ·建立基于深度学习网络的数值天气预报校正模型 | 第38-41页 |
| ·建立数值天气预报校正模型 | 第38-39页 |
| ·实例分析 | 第39-41页 |
| ·建立基于深度学习网络的风电功率预测模型 | 第41-46页 |
| ·建立单台风机的风电功率预测模型 | 第41-42页 |
| ·基于深度学习网络的风电功率预测流程 | 第42-44页 |
| ·实例分析 | 第44-46页 |
| ·本章小结 | 第46-47页 |
| 第四章基于深度学习网络功率预测模型的组合预测研究 | 第47-70页 |
| ·引言 | 第47页 |
| ·基于支持向量机的风电功率预测 | 第47-51页 |
| ·支持向量机 | 第47-50页 |
| ·建立支持向量机模型 | 第50-51页 |
| ·基于时间序列模型的风电功率预测 | 第51-62页 |
| ·时间序列分析方法 | 第51-52页 |
| ·时间序列模型建模 | 第52-62页 |
| ·基于深度学习网络模型风功率组合预测研究 | 第62-66页 |
| ·基于最大信息熵原理的风电功率组合预测 | 第62-63页 |
| ·建立基于最大信息熵原理的风电功率组合预测模型 | 第63-66页 |
| ·预测结果及误差分析 | 第66-69页 |
| ·本章小结 | 第69-70页 |
| 第五章基于深度学习网络功率预测模型的预测系统研究 | 第70-80页 |
| ·引言 | 第70页 |
| ·需求分析和功能模块 | 第70-72页 |
| ·需求分析 | 第70-71页 |
| ·系统功能模块 | 第71-72页 |
| ·系统架构设计与工作流程 | 第72-76页 |
| ·系统架构设计 | 第72-74页 |
| ·系统部署 | 第74-76页 |
| ·系统应用 | 第76-79页 |
| ·系统软硬件要求 | 第76页 |
| ·系统展示 | 第76-79页 |
| ·本章小结 | 第79-80页 |
| 第六章总结及展望 | 第80-82页 |
| ·论文工作总结 | 第80页 |
| ·课题研究展望 | 第80-82页 |
| 参考文献 | 第82-87页 |
| 致谢 | 第87-88页 |
| 攻读硕士学位期间获得的研究成果 | 第88页 |
