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

风电场功率短期预测方法优化的研究

摘要第1-6页
Abstract第6-14页
第1章 绪论第14-31页
   ·引言第14-16页
     ·研究背景第14-15页
     ·研究的目的和意义第15-16页
   ·风电功率预测技术的分类第16-21页
     ·持续性预测模型第16-17页
     ·物理预测模型第17-19页
     ·统计预测模型第19-21页
   ·风电场功率预测技术的研究现状第21-28页
     ·风电场功率组合预报模型第21-23页
     ·基于人工智能算法的预测模型第23-25页
     ·预测不确定性和预测风险第25-27页
     ·预测工具第27-28页
     ·国内外研究现状总结第28页
   ·存在的问题第28-29页
   ·论文的研究内容第29-31页
第2章 风电功率短期预测误差的统计分析第31-43页
   ·引言第31页
   ·风电功率短期预测系统第31-33页
     ·数值天气预报第31-32页
     ·风电场功率短期预测系统框架第32-33页
   ·误差分析第33-39页
     ·误差统计方法第33-34页
     ·数值天气预报的误差分析第34-36页
     ·风电功率短期预测的误差分析第36-39页
   ·误差分布第39-40页
     ·数值天气预报的误差分布第39页
     ·风电功率短期预测的误差分布第39-40页
   ·风电场功率短期预报系统的改进第40-41页
   ·本章小结第41-43页
第3章 风电场测风数据的补缺算法第43-57页
   ·引言第43页
   ·风电场测风数据的检验和处理第43-45页
     ·测风数据完整性检测第44页
     ·测风数据合理性检测第44-45页
     ·风切变指数法第45页
   ·模糊推理系统第45-49页
     ·模糊理论第45-47页
     ·模糊规则和模糊逻辑推理第47-49页
   ·采用ANFIS补缺测风数据第49-55页
     ·ANFIS第49-50页
     ·初始数据分析第50-52页
     ·风速数据的补充第52-53页
     ·风向数据的补充第53-55页
     ·训练集组成方案第55页
   ·两种方法的比较第55-56页
   ·本章小结第56-57页
第4章 风电功率短期预测中的数据校正算法第57-78页
   ·引言第57-58页
   ·数据校正算法第58-70页
     ·小波分析第59-66页
     ·BP神经网络第66-70页
   ·算例分析第70-77页
     ·小波包分析第70-73页
     ·BP神经网络校正第73-74页
     ·输出功率预测与校正第74-75页
     ·讨论第75-77页
   ·本章小结第77-78页
第5章 粒子群优化的风电功率短期预测模型第78-91页
   ·引言第78-79页
   ·基于数值天气预报的风电功率预测模型第79-81页
     ·数值天气预报第79-80页
     ·BP神经网络预测模型的不足第80-81页
   ·粒子群优化算法第81-86页
     ·PSO算法概述第81-82页
     ·原始PSO算法第82-84页
     ·改进的PSO算法第84-85页
     ·PSO优化的BP神经网络预测模型第85-86页
   ·PSO优化的风电机组功率预测模型的算例及分析第86-90页
       ·算例第86-88页
       ·预测模型的设置第88页
       ·计算结果分析第88-90页
   ·本章小结第90-91页
第6章 风电功率短期预测的不确定性分析第91-98页
   ·引言第91-92页
   ·影响因素的误差呈正态分布时的不确定性第92-95页
   ·概率密度函数第95-96页
   ·算例第96-97页
   ·本章小结第97-98页
第7章 结论与展望第98-101页
   ·论文的结论第98-99页
   ·课题研究展望第99-101页
参考文献第101-108页
攻读博士学位期间发表的论文及其它成果第108-109页
攻读博士学位期间参加的科研工作第109-110页
致谢第110-111页
作者简介第111页

论文共111页,点击 下载论文
上一篇:超高效异步电机损耗模型及降耗措施研究
下一篇:中国电力与电煤市场协同机制研究