基于神经网络的风力发电功率预测优化算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究ong背景和意义 | 第8-10页 |
| 1.2 课题研究现状 | 第10-12页 |
| 1.2.1 风速预测研究现状 | 第10页 |
| 1.2.2 风电功率预测研究现状 | 第10-12页 |
| 1.3 本文主要研究工作 | 第12-14页 |
| 第2章 风力发电原理及风电功率预测方法 | 第14-24页 |
| 2.1 风力发电技术概述 | 第14-18页 |
| 2.1.1 风力发电基本原理 | 第14-16页 |
| 2.1.2 风电机组选型标准 | 第16-17页 |
| 2.1.3 风力发电并网对电网影响 | 第17-18页 |
| 2.2 风电功率预测方法简介 | 第18-22页 |
| 2.2.1 风电功率预测数据处理过程 | 第18-20页 |
| 2.2.2 风电功率预测方法分类 | 第20-21页 |
| 2.2.3 风速测量方法与预报手段 | 第21-22页 |
| 2.3 风电功率预测误差分析 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于神经网络的风电功率预测模型 | 第24-33页 |
| 3.1 BP人工神经网络原理 | 第24-27页 |
| 3.2 支持向量机 | 第27-31页 |
| 3.2.1 统计学习理论 | 第27-29页 |
| 3.2.2 支持向量机回归原理 | 第29-30页 |
| 3.2.3 SVM核函数 | 第30-31页 |
| 3.3 BP神经网络的风电预测算法仿真 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 风电功率预测优化方法 | 第33-51页 |
| 4.1 粒子群算法基本原理 | 第33-38页 |
| 4.1.1 基于粒子群算法的支持向量机设计思路 | 第34-35页 |
| 4.1.2 自适应权重的PSO算法 | 第35-36页 |
| 4.1.3 仿真分析 | 第36-38页 |
| 4.2 基于遗传算法的BP神经网络预测模型 | 第38-42页 |
| 4.2.1 遗传算法概述 | 第38页 |
| 4.2.2 遗传算法操作流程 | 第38-40页 |
| 4.2.3 仿真分析 | 第40-42页 |
| 4.3 基于主成分分析的BP神经网络预测模型 | 第42-49页 |
| 4.3.1 主成分分析法概述 | 第43-45页 |
| 4.3.2 基于主成分分析原理的预测模型构建 | 第45-46页 |
| 4.3.3 仿真分析 | 第46-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第5章 风电功率预测技术应用及分析 | 第51-56页 |
| 5.1 风电功率预测系统 | 第52页 |
| 5.2 风能监测 | 第52-53页 |
| 5.3 风能预测预报 | 第53页 |
| 5.4 风电功率短期预预报 | 第53-54页 |
| 5.5 风电功率超短期预测预报 | 第54-55页 |
| 5.6 本章小结 | 第55-56页 |
| 第6章 结论和展望 | 第56-57页 |
| 6.1 结论 | 第56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60页 |
