| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景与意义 | 第8-10页 |
| 1.2 风速预测研究现状 | 第10-12页 |
| 1.3 论文主要内容及章节安排 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 2 风电场数据分析 | 第14-19页 |
| 2.1 引言 | 第14页 |
| 2.2 风速的概念 | 第14-15页 |
| 2.2.1 风速的概念 | 第14页 |
| 2.2.2 风速的分布特性 | 第14页 |
| 2.2.3 风速的规律 | 第14-15页 |
| 2.3 数据搜集 | 第15页 |
| 2.4 数据预处理 | 第15-17页 |
| 2.4.1 测量数据的检验 | 第15-16页 |
| 2.4.2 缺测数据的补全 | 第16页 |
| 2.4.3 测量数据的转换 | 第16-17页 |
| 2.5 相关性分析 | 第17-18页 |
| 2.5.1 相关性的概念 | 第17页 |
| 2.5.2 测量数据的相关性分析 | 第17-18页 |
| 2.6 本章小结 | 第18-19页 |
| 3 基于遗传算法和梯度下降法优化的RBF神经网络算法 | 第19-33页 |
| 3.1 引言 | 第19页 |
| 3.2 RBF神经网络 | 第19-21页 |
| 3.2.1 RBF神经网络模型 | 第19-20页 |
| 3.2.2 RBF神经网络学习算法 | 第20-21页 |
| 3.2.3 RBF神经网络优点 | 第21页 |
| 3.3 遗传算法 | 第21-23页 |
| 3.3.1 遗传算法基本原理 | 第21-23页 |
| 3.3.2 遗传算法优点 | 第23页 |
| 3.4 遗传算法与梯度下降法的结合 | 第23-25页 |
| 3.5 算法仿真测试 | 第25-32页 |
| 3.6 本章小结 | 第32-33页 |
| 4 基于GA-GD优化的RBF在风电场风速预测中的应用 | 第33-43页 |
| 4.1 引言 | 第33页 |
| 4.2 RBF神经网络训练样本的选择 | 第33-34页 |
| 4.2.1 训练样本选择原则 | 第33页 |
| 4.2.2 训练样本选择方法 | 第33-34页 |
| 4.3 RBF神经网络的风电场风速预测模型 | 第34-42页 |
| 4.3.1 数据整理 | 第34页 |
| 4.3.2 样本选择 | 第34-36页 |
| 4.3.3 数据归一化 | 第36-37页 |
| 4.3.4 构造RBF模型 | 第37-38页 |
| 4.3.5 训练RBF神经网络 | 第38-40页 |
| 4.3.6 网络测试 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 风电场风速预测仿真平台实现 | 第43-52页 |
| 5.1 引言 | 第43页 |
| 5.2 GUI介绍 | 第43-44页 |
| 5.3 风速预测仿真平台 | 第44-51页 |
| 5.3.1 登陆界面 | 第44-46页 |
| 5.3.2 风速预测显示界面 | 第46-51页 |
| 5.4 本章小结 | 第51-52页 |
| 6 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录 | 第58页 |
| A.攻读硕士学位期间取得的科研成果 | 第58页 |