| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 课题的研究背景与研究意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 风电预测的意义 | 第9-10页 |
| 1.2 风电功率预测的研究现状 | 第10-14页 |
| 1.2.1 风电功率单点预测的研究现状 | 第10-12页 |
| 1.2.2 风电功率概率预测的研究现状 | 第12-13页 |
| 1.2.3 存在的不足之处 | 第13-14页 |
| 1.3 风电预测的评价指标 | 第14-15页 |
| 1.3.1 单点预测的评价指标 | 第14-15页 |
| 1.3.2 概率预测的评价指标 | 第15页 |
| 1.4 数据的预处理 | 第15-16页 |
| 1.5 本文所做的工作 | 第16-18页 |
| 2 风电功率短期预测理论基础 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 小波概述 | 第18-21页 |
| 2.2.1 小波发展 | 第18-19页 |
| 2.2.2 小波变换 | 第19页 |
| 2.2.3 小波函数 | 第19-20页 |
| 2.2.4 小波的多分辨率分析 | 第20-21页 |
| 2.3 RBF神经网络 | 第21-23页 |
| 2.3.1 径向基函数 | 第21-22页 |
| 2.3.2 RBF神经网络结构 | 第22页 |
| 2.3.3 RBF神经网络的学习算法 | 第22-23页 |
| 2.4 分位数回归 | 第23-25页 |
| 2.4.1 分位数回归的基本概念 | 第23-24页 |
| 2.4.2 分位数回归算法 | 第24-25页 |
| 2.4.3 非线性分位数回归 | 第25页 |
| 2.5 拉丁超立方抽样 | 第25-27页 |
| 2.6 本章小结 | 第27-28页 |
| 3 非迭代与分时段最优的风电功率短期单点预测 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 非迭代与分时段最优的单点预测模型 | 第28-31页 |
| 3.2.1 非迭代-小波RBF预测模型 | 第28-29页 |
| 3.2.2 分时段变权组合模型 | 第29-30页 |
| 3.2.3 非迭代与分时段最优的单点预测模型 | 第30-31页 |
| 3.3 算例分析 | 第31-41页 |
| 3.3.1 非迭代-小波RBF模型短期预测效果分析 | 第31-36页 |
| 3.3.2 非迭代与分时段最优模型短期预测效果分析 | 第36-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 非迭代与RBF分位数回归的风电功率短期概率预测 | 第42-57页 |
| 4.1 引言 | 第42页 |
| 4.2 非迭代与RBF分位数回归的概率预测模型 | 第42-45页 |
| 4.2.1 RBF分位数回归模型 | 第42-43页 |
| 4.2.2 小波-RBF分位数回归模型 | 第43-44页 |
| 4.2.3 非迭代与RBF分位数回归的概率预测模型 | 第44-45页 |
| 4.3 算例分析 | 第45-56页 |
| 4.3.1 小波-RBF分位数回归模型参数选择 | 第45-47页 |
| 4.3.2 非迭代与RBF分位数回归模型短期预测效果分析 | 第47-56页 |
| 4.4 本章小结 | 第56-57页 |
| 5 结论与展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |
| A 作者在攻读硕士期间发表的论文 | 第64页 |
| B 作者在攻读硕士学位期间参加的科研项目 | 第64页 |
