| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 第2章 风电相关特性 | 第13-19页 |
| 2.1 风的特性 | 第13-15页 |
| 2.1.1 风能特性参数 | 第13-14页 |
| 2.1.2 风的动能 | 第14-15页 |
| 2.2 风力机的特性 | 第15页 |
| 2.3 机组的功率特性 | 第15-17页 |
| 2.3.1 风电机组功率特性曲线 | 第15-17页 |
| 2.3.2 风力发电运行方式 | 第17页 |
| 2.4 影响风电预测准确性的因素 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 小波变换的基本理论 | 第19-29页 |
| 3.1 小波算法理论 | 第19-25页 |
| 3.1.1 小波变换的定义 | 第19-21页 |
| 3.1.2 一维多尺度分析 | 第21-23页 |
| 3.1.3 一维Mallat塔式分解及重构算法 | 第23-25页 |
| 3.2 实际案例分析 | 第25-28页 |
| 3.3 本章小结 | 第28-29页 |
| 第4章 基于WD和GA-LSSVM的短期风速预测模型 | 第29-53页 |
| 4.1 支持向量机的基本原理 | 第29-32页 |
| 4.1.1 支持向量机 | 第29-31页 |
| 4.1.2 回归型支持向量机 | 第31-32页 |
| 4.2 最小二乘支持向量机的原理 | 第32-34页 |
| 4.3 遗传算法的基本理论 | 第34-38页 |
| 4.4 预测质量的评价 | 第38-39页 |
| 4.5 遗传算法优化最小二乘支持向量机的风速预测模型 | 第39-52页 |
| 4.5.1 案例分析一 | 第41-47页 |
| 4.5.2 案例分析二 | 第47-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 基于改进RBF神经网络的功率预测模型 | 第53-61页 |
| 5.1 神经网络的基本原理 | 第53-56页 |
| 5.1.1 RBF神经网络的结构模型 | 第53-54页 |
| 5.1.2 RBF神经网络的学习算法 | 第54-56页 |
| 5.2 遗传算法优化RBF神经网络模型 | 第56-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第6章 结论与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第67-68页 |
| 致谢 | 第68页 |