| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 风速采集数据质量控制方法 | 第9-11页 |
| 1.2.2 基于物理模型的短期风速预测 | 第11-12页 |
| 1.2.3 基于统计的短期风速预测方法 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 风电场风机采样风速统计规律研究 | 第17-22页 |
| 2.1 引言 | 第17页 |
| 2.2 风能简介与风速采集局限性的研究 | 第17-18页 |
| 2.3 测量风速质量控制流程和标准 | 第18-19页 |
| 2.4 风速数据非线性分析 | 第19-22页 |
| 第三章 风电机测量风速缺损值的填充方法 | 第22-38页 |
| 3.1 引言 | 第22页 |
| 3.2 测量风速缺损值填充的模型思路和架构 | 第22-23页 |
| 3.3 测量风速缺损值填充的相关算法 | 第23-28页 |
| 3.3.1 相似性形态分析的相关算法 | 第23-25页 |
| 3.3.2 基于广义回归神经网络模型的缺损数据填充相关算法 | 第25-28页 |
| 3.4 基于熵权的测量风速缺损值集成填充方法研究 | 第28-38页 |
| 3.4.1 风速缺损值填充方法 | 第28-32页 |
| 3.4.2 算法实验与结果分析 | 第32-38页 |
| 第四章 基于广义回归神经网络的短期风速预测 | 第38-51页 |
| 4.1 引言 | 第38页 |
| 4.2 短期风速预测的模型思路和架构 | 第38-39页 |
| 4.3 短期风速预测的相关算法 | 第39-41页 |
| 4.3.1 ARIMA时间序列法 | 第39-40页 |
| 4.3.2 BP神经网络外推法 | 第40-41页 |
| 4.4 基于相似性的短期风速预测的算法研究 | 第41-51页 |
| 4.4.1 数据相似性判定 | 第41-42页 |
| 4.4.2 粒子群算法优化GRNN子模型参数 | 第42-43页 |
| 4.4.3 基于DTW和PCC的两种GRNN子模型的组合预报 | 第43-45页 |
| 4.4.4 算法实验与结果分析 | 第45-51页 |
| 第五章 结论与展望 | 第51-53页 |
| 5.1 结论 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 作者介绍 | 第59页 |