短期风速和风电功率预测模型的研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-23页 |
| ·课题的提出背景和研究意义 | 第11-13页 |
| ·课题的提出背景 | 第11-12页 |
| ·课题的研究意义 | 第12-13页 |
| ·风电功率预测概念 | 第13-16页 |
| ·风电功率预测分类 | 第13-14页 |
| ·风电功率短期预测方法 | 第14-15页 |
| ·风电功率预测模型的评价 | 第15-16页 |
| ·风电功率预测研究动态 | 第16-19页 |
| ·国外研究现状 | 第16-17页 |
| ·国内研究现状 | 第17-19页 |
| ·本文的主要工作及章节安排 | 第19-23页 |
| 2 基于随机时间序歹lJ法的短期风速预测 | 第23-45页 |
| ·风速概述 | 第23-24页 |
| ·时间序列基本原理 | 第24-27页 |
| ·时间序列概述 | 第24-25页 |
| ·平稳时间序列及其模型 | 第25-26页 |
| ·非平稳时间序列及其模型 | 第26-27页 |
| ·基于ARIMA的预测模型研究 | 第27-33页 |
| ·时间序列建模基本步骤 | 第27-30页 |
| ·算例分析 | 第30-33页 |
| ·基于GARCH的预测模型研究 | 第33-38页 |
| ·ARCH和GARCH模型概述 | 第33-34页 |
| ·ARCH和GARCH模型基本原理 | 第34-36页 |
| ·算例分析 | 第36-38页 |
| ·基于聚类ARIMA的预测模型研究 | 第38-43页 |
| ·聚类分析概述 | 第38-39页 |
| ·聚类思路 | 第39-40页 |
| ·算例分析 | 第40-43页 |
| ·不同模型预测效果比较 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 3 基于人工神经网络法的短期风速预测 | 第45-71页 |
| ·神经网络的概念和原理概述 | 第45-48页 |
| ·神经网络简介及其特性 | 第45-46页 |
| ·神经网络模型 | 第46-47页 |
| ·神经网络的学习 | 第47-48页 |
| ·基于BP神经网络的预测模型研究 | 第48-55页 |
| ·BP神经网络简介 | 第48-49页 |
| ·BP网络学习算法 | 第49-52页 |
| ·BP网络的局限性及改进方法 | 第52页 |
| ·BP网络建模及算例分析 | 第52-55页 |
| ·基于遗传优化的BP神经网络预测模型研究 | 第55-63页 |
| ·遗传算法简介 | 第55-56页 |
| ·遗传算法的流程和基本要素 | 第56-59页 |
| ·GA算法与BP网络的结合 | 第59-60页 |
| ·GA-BP网络建模及算例分析 | 第60-63页 |
| ·基于粒子群优化的BP神经网络预测模型研究 | 第63-69页 |
| ·粒子群算法简介 | 第63-64页 |
| ·粒子群算法的流程、步骤及参数设置 | 第64-65页 |
| ·PSO算法与BP网络的结合 | 第65-66页 |
| ·PSO-BP网络建模及算例分析 | 第66-69页 |
| ·不同模型预测效果比较 | 第69-70页 |
| ·本章小结 | 第70-71页 |
| 4 基于组合预测模型的短期风电功率预测 | 第71-79页 |
| ·组合模型预测 | 第71-74页 |
| ·组合预测概述 | 第71页 |
| ·组合模型建立 | 第71-73页 |
| ·基于组合模型的风速预测结果 | 第73-74页 |
| ·风电功率预测 | 第74-78页 |
| ·风能的计算 | 第75页 |
| ·风电机组出力的计算 | 第75-76页 |
| ·基于组合模型的风电功率预测算例 | 第76-78页 |
| ·本章小结 | 第78-79页 |
| 5 结论与展望 | 第79-81页 |
| ·论文的结论 | 第79-80页 |
| ·论文的不足与展望 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 作者简历 | 第85-89页 |
| 学位论文数据集 | 第89页 |
