| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-16页 |
| ·风电场输出功率预测研究的背景 | 第8-9页 |
| ·论文研究的目的和意义 | 第9-10页 |
| ·风电场输出功率预测的分类 | 第10-11页 |
| ·风电场功率预测的研究现状 | 第11-15页 |
| ·国外研究现状 | 第11-14页 |
| ·国内研究现状 | 第14-15页 |
| ·论文的研究内容及结构安排 | 第15-16页 |
| 2 风电场输出功率的神经网络建模 | 第16-29页 |
| ·引言 | 第16页 |
| ·风电场基本介绍 | 第16-18页 |
| ·风速和风向的特性 | 第18-20页 |
| ·风速的特性 | 第18-19页 |
| ·风向的特性 | 第19-20页 |
| ·风电场数据的预处理 | 第20-22页 |
| ·风电数据完整性检验 | 第20页 |
| ·风电数据合理性检验 | 第20-21页 |
| ·缺测数据的修正 | 第21-22页 |
| ·数据的转换 | 第22页 |
| ·神经网络在风电场功率预测中的研究 | 第22-28页 |
| ·BP 网络 | 第22-23页 |
| ·RBF 网络 | 第23-24页 |
| ·RBF 网络和 BP 网络的比较 | 第24-25页 |
| ·基于神经网络的风电功率预测模型 | 第25-27页 |
| ·RBF 建模存在的问题 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 3 基于微粒群遗传算法的 RBF 神经网络优化算法 | 第29-51页 |
| ·引言 | 第29页 |
| ·基本微粒群算法 | 第29-36页 |
| ·PSO 基本原理 | 第29-32页 |
| ·微粒群算法的参数作用分析 | 第32页 |
| ·改进的微粒群算法 | 第32-33页 |
| ·算法收敛性分析 | 第33-36页 |
| ·基本遗传算法 | 第36-37页 |
| ·改进的微粒群遗传算法(IPSO-GA) | 第37-39页 |
| ·改进的微粒群遗传算法仿真研究 | 第39-44页 |
| ·测试函数 | 第39-41页 |
| ·仿真结果 | 第41-44页 |
| ·基于微粒群遗传算法的 RBF 神经网络优化算法 | 第44-50页 |
| ·算法的详细步骤 | 第44-48页 |
| ·仿真实验 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 4 基于 IPSO-GA 优化的神经网络在风电功率预测中的应用 | 第51-58页 |
| ·引言 | 第51页 |
| ·训练样本库的选择 | 第51-52页 |
| ·基于 IPSO-GA 优化的神经网络的风电场功率预测模型 | 第52-57页 |
| ·本章小结 | 第57-58页 |
| 5 结论与展望 | 第58-59页 |
| ·主要结论 | 第58页 |
| ·后续研究工作的展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录 | 第63页 |
| A. 作者在攻读学位期间发表的论文目录 | 第63页 |
| B. 作者在攻读学位期间取得的科研成果目录 | 第63页 |
