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 |