| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 前言 | 第10-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景和意义 | 第11-13页 |
| 1.2 风电功率预测研究现状 | 第13-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 本论文主要工作 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第二章 风电功率预测相关因素及分类方法 | 第17-30页 |
| 2.1 风电功率预测主要相关因素 | 第17-23页 |
| 2.1.1 风的分布特性与变化规律 | 第17-21页 |
| 2.1.2 风速测量方法与预报手段 | 第21-23页 |
| 2.2 风力发电技术概述 | 第23-26页 |
| 2.2.1 风力发电基本原理 | 第23-25页 |
| 2.2.2 风力发电并网潜在问题 | 第25-26页 |
| 2.3 风电功率预测过程及分类 | 第26-29页 |
| 2.3.1 风电功率预测基本过程 | 第26-27页 |
| 2.3.2 风电功率预测方法的分类 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于聚类分析的BP神经网络的风电功率预测模型 | 第30-41页 |
| 3.1 基于BP人工神经网络的预测模型 | 第30-33页 |
| 3.1.1 BP学习算法概述 | 第30-31页 |
| 3.1.2 BP人工神经网络原理 | 第31-33页 |
| 3.2 聚类分析原理概述 | 第33-34页 |
| 3.3 基于聚类分析的BP神经网络预测模型 | 第34-37页 |
| 3.3.1 基于BP神经网络的风电预测方法 | 第35页 |
| 3.3.2 聚类处理后的BP神经网络功率预测方法 | 第35-37页 |
| 3.4 仿真实验对比 | 第37-39页 |
| 3.4.1 BP神经网络功率预测仿真结果 | 第37页 |
| 3.4.2 基于聚类分析的BP神经网络功率预测仿真 | 第37-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第四章 基于改进型支持向量机风电功率预测模型优化 | 第41-56页 |
| 4.1 支持向量机基本原理 | 第41-49页 |
| 4.1.1 统计学习理论 | 第41-43页 |
| 4.1.2 支持向量机回归原理 | 第43-48页 |
| 4.1.3 SVM核函数 | 第48-49页 |
| 4.2 改进型支持向量机优化风电功率预测方法 | 第49-53页 |
| 4.2.1 人工鱼群算法原理 | 第49-52页 |
| 4.2.2 人工鱼群算法优化的支持向量机模型 | 第52-53页 |
| 4.3 仿真分析 | 第53-55页 |
| 4.3.1 预测结果对比 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 结论和展望 | 第56-58页 |
| 5.1 结论 | 第56-57页 |
| 5.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间发表论文情况 | 第63页 |