风电功率预测及风电场储能容量优化研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题背景 | 第11-13页 |
| 1.2 课题研究意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-19页 |
| 1.3.1 风电功率预测研究现状 | 第14-16页 |
| 1.3.2 储能技术分类 | 第16-19页 |
| 1.4 本文主要工作 | 第19-20页 |
| 1.5 论文组织结构 | 第20-21页 |
| 第2章 风电发展现状 | 第21-32页 |
| 2.1 全球风电发展现状 | 第21-25页 |
| 2.2 国内风电发展现状 | 第25-30页 |
| 2.3 山东省风电发展现状 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 风电功率的概率分布研究 | 第32-41页 |
| 3.1 引言 | 第32页 |
| 3.2 原理及方法 | 第32-34页 |
| 3.2.1 带移位因子与伸缩系数的t分布 | 第32-34页 |
| 3.2.2 带移位因子与伸缩系数的t分布的性质 | 第34页 |
| 3.3 算例分析 | 第34-39页 |
| 3.3.1 时间分辨率的选择 | 第34页 |
| 3.3.2 数据格式描述 | 第34页 |
| 3.3.3 数据预处理 | 第34-35页 |
| 3.3.4 输出功率的概率分布 | 第35-37页 |
| 3.3.5 输出功率波动的定义 | 第37-38页 |
| 3.3.6 输出功率波动的概率分布拟合 | 第38-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第4章 风电功率预测的方法研究 | 第41-63页 |
| 4.1 引言 | 第41页 |
| 4.2 预测准确度的指标 | 第41-43页 |
| 4.3 基于时间序列和人工智能的预测模型 | 第43-52页 |
| 4.3.1 基于时间序列的预测模型ARIMA | 第43-50页 |
| 4.3.2 基于人工智能的预测模型BP神经网络 | 第50-52页 |
| 4.4 算例分析 | 第52-62页 |
| 4.4.1 基于ARIMA模型的算例 | 第53-58页 |
| 4.4.2 基于BP神经网络的算例 | 第58-61页 |
| 4.4.3 两种模型预测效果对比 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 风电场的储能优化方案研究 | 第63-70页 |
| 5.1 引言 | 第63页 |
| 5.2 储能系统平滑风电功率原理 | 第63-65页 |
| 5.3 储能电池出力模型 | 第65-66页 |
| 5.4 风电场储能方案的优化研究 | 第66-69页 |
| 5.4.1 风电场储能系统的一阶低通滤波控制模型 | 第66-67页 |
| 5.4.2 经济效益最大化的储能系统容量配置 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 本文总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 附表 | 第77页 |
