首页--工业技术论文--电工技术论文--发电、发电厂论文--各种发电论文--风能发电论文

基于WRF模式的短期风速预测及订正方法研究

摘要第6-8页
Abstract第8-9页
第一章 绪论第10-24页
    1.1 课题研究背景及意义第10-13页
        1.1.1 课题研究背景第10-12页
        1.1.2 课题研究目的和意义第12-13页
    1.2 课题研究现状第13-19页
        1.2.1 风速预测方法第13-16页
        1.2.2 国外研究现状第16-17页
        1.2.3 国内研究现状第17-19页
    1.3 研究内容及技术路线第19-23页
        1.3.1 研究内容第19-20页
        1.3.2 技术路线第20-21页
        1.3.3 本文创新点第21-22页
        1.3.4 本文组织结构第22-23页
    1.4 本章小结第23-24页
第二章 风电场风速特性及统计规律研究第24-33页
    2.1 风电场数据来源及风能特征第24-25页
        2.1.1 风电场数据来源及数据的预处理第24-25页
        2.1.2 能特征第25页
    2.2 风速和风向第25-30页
        2.2.1 风速及其变化特性第25-27页
        2.2.2 风速的分布特性第27-29页
        2.2.3 风向及其特性第29-30页
    2.3 风速预测效果评价标准第30-31页
    2.4 本章小结第31-33页
第三章 基于WRF模式的短期风速预测第33-44页
    3.1 WRF模式简介第33-36页
    3.2 资料方法介绍第36-37页
        3.2.1 NCEP/GFS预报资料第36页
        3.2.2 双线性插值法第36-37页
    3.3 WRF模式模拟方案设计第37-38页
        3.3.1 模式方案设计第37-38页
        3.3.2 插值层高的确定第38页
    3.4 模拟效果分析第38-42页
        3.4.1 风速年预报效果分析第39-40页
        3.4.2 风速日预报效果分析第40-42页
        3.4.3 风向预报效果分析第42页
    3.5 本章小结第42-44页
第四章 基于优化极限学习机算法的短期风速订正第44-60页
    4.1 极限学习机第44-47页
        4.1.1 ELM算法简介第44-45页
        4.1.2 ELM算法原理第45-46页
        4.1.3 ELM算法实现步骤第46-47页
    4.2 共轭梯度法(Conjugate Gradient)第47-48页
        4.2.1 CG算法简介第47页
        4.2.2 CG算法原理第47-48页
    4.3 差分进化算法(Differential Evolution)第48-51页
        4.3.1 DE算法简介第48-49页
        4.3.2 DE算法原理第49-51页
    4.4 基于CG-DE-ELM算法的订正模型的建立第51-53页
    4.5 实验验证第53-59页
        4.5.1 数据预处理第53-54页
        4.5.2 订正结果分析第54-59页
    4.6 本章小结第59-60页
第五章 基于主成分分析和径向基神经网络的短期风速二次订正第60-72页
    5.1 主成分分析第60-64页
        5.1.1 主成分分析的原理第61-62页
        5.1.2 主成分分析的步骤第62-63页
        5.1.3 主成分分析的流程第63-64页
    5.2 径向基神经网络第64-66页
        5.2.1 径向基神经网络简介第64页
        5.2.2 径向基神经网络的网络结构第64-65页
        5.2.3 径向基神经网络的特点第65-66页
    5.3 基于主成分分析和RBF神经网络二次订正模型的建立第66-67页
    5.4 实验验证第67-71页
        5.4.1 样本选取及主成分分析第67-69页
        5.4.2 订正结果分析第69-71页
    5.5 本章小结第71-72页
第六章 总结与展望第72-75页
    6.1 总结第72-73页
    6.2 展望第73-75页
参考文献第75-81页
作者简介第81-82页
致谢第82页

论文共82页,点击 下载论文
上一篇:我国家电制造企业转型升级的创新效率研究
下一篇:多孔碳材料的制备及其在下一代储能电池中的性能研究