| 摘要 | 第1-8页 |
| Abstract | 第8-9页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-19页 |
| ·风力发电产业现状 | 第11-15页 |
| ·世界风电产业发展的总趋势 | 第11-13页 |
| ·国内风电产业的发展趋势 | 第13-15页 |
| ·课题依据及研究意义 | 第15-17页 |
| ·本课题主要研究内容及章节安排 | 第17-19页 |
| 第2章 时间序列分析方法概述 | 第19-29页 |
| ·时间序列概述 | 第19-20页 |
| ·时间序列预测方法及模型概述 | 第20-21页 |
| ·平稳时间序列及其分析方法 | 第21-24页 |
| ·平稳时间序列 | 第21-22页 |
| ·平稳时间序列模型概述 | 第22-24页 |
| ·非平稳时间序列及其判定方法 | 第24-26页 |
| ·风速概述 | 第26-27页 |
| ·风速时间序列预测概述 | 第27-29页 |
| 第3章 基于经验模式分解与最小二乘支持向量机的风速短期预测 | 第29-46页 |
| ·经验模式分解法的提出和发展现状 | 第29页 |
| ·经验模式分解过程概述 | 第29-30页 |
| ·支持向量机发展概述 | 第30-35页 |
| ·支持向量机的基本原理 | 第31-35页 |
| ·最小二乘支持向量机 | 第35-38页 |
| ·最小二乘支持向量机概述 | 第35-36页 |
| ·最小二乘支持向量机基本原理 | 第36-38页 |
| ·基于EMD与LSSVM的非平稳时间序列预测方法 | 第38-40页 |
| ·训练样本集的建立 | 第38-39页 |
| ·核函数的选取及核参数的确定 | 第39-40页 |
| ·应用实例分析 | 第40-45页 |
| ·预测模型建立 | 第40页 |
| ·数据 | 第40-41页 |
| ·风速时间序列的EMD分解 | 第41页 |
| ·EMD与LSSVM混合预测过程 | 第41-44页 |
| ·短期风速预测结果 | 第44页 |
| ·误差分析 | 第44-45页 |
| ·结论 | 第45-46页 |
| 第4章 基于小波变换与最小二乘支持向量机的风速中期预测 | 第46-56页 |
| ·小波分析概述 | 第46-48页 |
| ·小波及其定义 | 第46-48页 |
| ·小波变换 | 第48-51页 |
| ·小波变换理论 | 第48-49页 |
| ·连续小波变换 | 第49页 |
| ·离散小波变换 | 第49-50页 |
| ·小波重构 | 第50页 |
| ·小波多尺度分析 | 第50-51页 |
| ·应用实例分析 | 第51-54页 |
| ·预测模型建立 | 第51页 |
| ·数据 | 第51-52页 |
| ·风速时间序列的小波分解 | 第52页 |
| ·WT与LSSVM混合预测 | 第52-54页 |
| ·中期风速预测结果及误差分析 | 第54页 |
| ·本章小结 | 第54-56页 |
| 第5章 基于经验模式分解与递推最小二乘法的风速长期预测 | 第56-63页 |
| ·递推最小二乘法概述 | 第56-57页 |
| ·递推最小二乘法理论基础 | 第56页 |
| ·计算方法 | 第56-57页 |
| ·应用实例分析 | 第57-58页 |
| ·预测模型建立 | 第57页 |
| ·建模步骤及建模过程 | 第57-58页 |
| ·数据 | 第58页 |
| ·风速时间序列的经验模式分解 | 第58-60页 |
| ·长期风速预测结果及误差分析 | 第60-62页 |
| ·本章小结 | 第62-63页 |
| 第6章 风电场输出功率多尺度预测建模 | 第63-73页 |
| ·输出功率多尺度预测方法概述 | 第63页 |
| ·人工神经网络概述 | 第63-67页 |
| ·BP神经网络模型 | 第64-65页 |
| ·BP神经网络的学习算法 | 第65-67页 |
| ·应用实例分析 | 第67-71页 |
| ·短期风速预测模型的建立 | 第67-68页 |
| ·数据 | 第68页 |
| ·风速时间序列的经验模式分解 | 第68页 |
| ·EMD与LSSVM混合预测 | 第68-69页 |
| ·风电场短期风速预测结果 | 第69页 |
| ·电场输出功率短期预测建模 | 第69-71页 |
| ·风电场输出功率的多尺度预测模型 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 结论与展望 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 致谢 | 第78-79页 |
| 附录 攻读学位期间所发表的学术论文目录 | 第79页 |
