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 |