| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第18-41页 |
| 1.1 课题研究的背景 | 第18-27页 |
| 1.1.1 世界风电发展现状 | 第18-20页 |
| 1.1.2 中国风电发展现状 | 第20-22页 |
| 1.1.3 风电技术发展趋势 | 第22-23页 |
| 1.1.4 风电技术发展瓶颈及解决方法 | 第23-24页 |
| 1.1.5 风能及风速预测的意义 | 第24页 |
| 1.1.6 预测评价指标 | 第24-25页 |
| 1.1.7 国外主要风能预测软件 | 第25-27页 |
| 1.2 风电场风速和风电功率特性 | 第27-30页 |
| 1.2.1 风速特性 | 第27-28页 |
| 1.2.2 风电功率特性 | 第28-29页 |
| 1.2.3 风速数值模拟 | 第29-30页 |
| 1.3 风速和风电功率预测技术的分类 | 第30-31页 |
| 1.3.1 按预测时间尺度分类 | 第30-31页 |
| 1.3.2 按预测物理量分类 | 第31页 |
| 1.3.3 按预测数据输入类型分类 | 第31页 |
| 1.3.4 按预测对象范围分类 | 第31页 |
| 1.4 风速和风电功率的预测模型及预测技术发展现状 | 第31-39页 |
| 1.4.1 基于物理模型的预测 | 第32-34页 |
| 1.4.2 基于时间序列模型的预测 | 第34-35页 |
| 1.4.3 基于统计模型的预测 | 第35-36页 |
| 1.4.4 基于机器学习模型的预测 | 第36-37页 |
| 1.4.5 基于信号分解-重构模型的预测 | 第37-39页 |
| 1.5 本文的研究内容和结构 | 第39-41页 |
| 第2章 短期风速多步预测策略及预测模型 | 第41-58页 |
| 2.1 引言 | 第41页 |
| 2.2 多步预测策略理论 | 第41-44页 |
| 2.2.1 直接策略 | 第42页 |
| 2.2.2 滚动策略 | 第42-43页 |
| 2.2.3 直接-滚动策略 | 第43页 |
| 2.2.4 多输出策略 | 第43页 |
| 2.2.5 直接多输出策略 | 第43-44页 |
| 2.2.6 预测误差补偿策略 | 第44页 |
| 2.3 智能预测模型 | 第44-51页 |
| 2.3.1 BP神经网络预测模型 | 第44-45页 |
| 2.3.2 RBF神经网络预测模型 | 第45-46页 |
| 2.3.3 ELMAN神经网络预测模型 | 第46-47页 |
| 2.3.4 GMDH神经网络预测模型 | 第47页 |
| 2.3.5 支持向量机预测模型 | 第47-48页 |
| 2.3.6 融合型智能预测模型 | 第48-51页 |
| 2.4 仿真实验与分析 | 第51-57页 |
| 2.4.1 实验一：短期风速多步预测策略 | 第51-55页 |
| 2.4.2 实验二：短期风速智能预测方法 | 第55-57页 |
| 2.5 本章小结 | 第57-58页 |
| 第3章 短期风速时间序列混沌相空间重构 | 第58-83页 |
| 3.1 引言 | 第58页 |
| 3.2 混沌动力学 | 第58-67页 |
| 3.2.1 动力系统的基本概念 | 第58-60页 |
| 3.2.2 混沌时间序列的判别方法 | 第60-67页 |
| 3.3 时间序列的相空间重构理论 | 第67-73页 |
| 3.3.1 重构相空间理论 | 第67-68页 |
| 3.3.2 自相关与复自相关法 | 第68-70页 |
| 3.3.3 互信息量方法 | 第70-71页 |
| 3.3.4 C-C方法 | 第71-73页 |
| 3.4 Lyapunov指数的数值计算方法 | 第73-78页 |
| 3.4.1 定义法 | 第74页 |
| 3.4.2 Wolf方法 | 第74-75页 |
| 3.4.3 Jacobian方法 | 第75-76页 |
| 3.4.4 p-范数方法 | 第76-77页 |
| 3.4.5 小数据量方法及其改进 | 第77-78页 |
| 3.5 仿真实验与分析：基于Chaos-SVR模型的风速预测 | 第78-82页 |
| 3.5.1 预测参考点的选取 | 第79-80页 |
| 3.5.2 实例验证 | 第80-82页 |
| 3.6 本章小节 | 第82-83页 |
| 第4章 基于信号分解-重构的风速时间序列多步预测 | 第83-104页 |
| 4.1 引言 | 第83页 |
| 4.2 基于小波分解的风速预测 | 第83-86页 |
| 4.2.1 小波分解的基本理论 | 第83-84页 |
| 4.2.2 基于小波分解的风速预测策略 | 第84-86页 |
| 4.3 基于经验模态分解的风速预测 | 第86-92页 |
| 4.3.1 经验模态分解的基本理论 | 第86-88页 |
| 4.3.2 经验模态分解端点效应分析 | 第88-89页 |
| 4.3.3 经验模态分解端点效应解决方法 | 第89-92页 |
| 4.4 仿真实验 | 第92-103页 |
| 4.4.1 实验一：基于小波分解的风速预测 | 第92-95页 |
| 4.4.2 实验二：经验模态分解的端点效应 | 第95-97页 |
| 4.4.3 实验三：基于经验模态分解的风速预测 | 第97-102页 |
| 4.4.4 实验分析与比较 | 第102-103页 |
| 4.5 本章小结 | 第103-104页 |
| 第5章 基于组合预测理论的风速时间序列多步预测 | 第104-136页 |
| 5.1 引言 | 第104页 |
| 5.2 组合预测理论及有效性 | 第104-111页 |
| 5.2.1 组合预测理论 | 第104-105页 |
| 5.2.2 传统组合预测方法 | 第105-108页 |
| 5.2.3 组合预测方法的有效性 | 第108-111页 |
| 5.3 基于组合权值的组合预测 | 第111-115页 |
| 5.3.1 基于多嵌入维的组合预测模型 | 第111页 |
| 5.3.2 基于不同隐节点数的BP神经网络组合预测模型 | 第111-113页 |
| 5.3.3 基于非参数估计的非线性组合预测模型 | 第113-115页 |
| 5.3.4 基于IOWA算子的组合预测模型 | 第115页 |
| 5.4 基于最优预测模型的组合预测 | 第115-123页 |
| 5.4.1 主客观赋权理论 | 第116-119页 |
| 5.4.2 多属性决策理论 | 第119-123页 |
| 5.5 基于组合预测理论的风速预测专家系统 | 第123-125页 |
| 5.5.1 专家系统的基本理论 | 第123-124页 |
| 5.5.2 风速预测专家系统 | 第124-125页 |
| 5.6 仿真实验 | 第125-135页 |
| 5.6.1 实验一：基于多嵌入维的短期风速多步预测 | 第125-126页 |
| 5.6.2 实验二：基于不同隐节点数的BP神经网络短期风速多步预测 | 第126-128页 |
| 5.6.3 实验三：基于EMD-NPE的短期风速多步预测 | 第128-130页 |
| 5.6.4 实验四：基于EMD-IOWA的短期风速多步预测 | 第130-132页 |
| 5.6.5 实验五：基于EMD-MAD的短期风速多步预测 | 第132-135页 |
| 5.7 本章小结 | 第135-136页 |
| 第6章 基于布朗运动的风速数值模拟 | 第136-144页 |
| 6.1 引言 | 第136页 |
| 6.2 布朗运动的原理及风速数值模拟 | 第136-138页 |
| 6.2.1 布朗运动的基本原理 | 第136-137页 |
| 6.2.2 风速数值模拟 | 第137-138页 |
| 6.3 风速数值模拟的验证 | 第138-143页 |
| 6.3.1 混沌特性检验 | 第139-141页 |
| 6.3.2 布朗运动检验 | 第141-142页 |
| 6.3.3 功率谱检验 | 第142-143页 |
| 6.4 本章小结 | 第143-144页 |
| 第7章 结论与展望 | 第144-147页 |
| 7.1 本文的主要工作和创新点 | 第144-146页 |
| 7.2 本课题今后的研究内容 | 第146-147页 |
| 参考文献 | 第147-156页 |
| 攻读博士学位期间发表的论文及其它成果 | 第156-157页 |
| 攻读博士学位期间参加的科研工作 | 第157-158页 |
| 致谢 | 第158-159页 |
| 作者简介 | 第159页 |
