| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题的研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 风电场风速及功率预测 | 第11-13页 |
| 1.2.1 风电场风速及功率预测分类及方法 | 第11页 |
| 1.2.2 国内外研究现状 | 第11-13页 |
| 1.2.3 风电预测存在的问题 | 第13页 |
| 1.3 本文主要研究内容及组织结构 | 第13-15页 |
| 第二章 风电预测相关理论分析 | 第15-19页 |
| 2.1 风能与风速特性 | 第15-17页 |
| 2.1.1 风的形成与风能 | 第15页 |
| 2.1.2 风能指标 | 第15-16页 |
| 2.1.3 风速的分布特性 | 第16页 |
| 2.1.4 风速序列相关特性 | 第16-17页 |
| 2.2 风电技术简介 | 第17-18页 |
| 2.2.1 风力发电基本理论 | 第17页 |
| 2.2.2 风速与功率的关系 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 风电场短期风速预测 | 第19-30页 |
| 3.1 数据预处理 | 第19-21页 |
| 3.1.1 CEEMDAN分解 | 第19-20页 |
| 3.1.2 排列熵 | 第20-21页 |
| 3.2 量子遗传算法对BP神经网络的优化 | 第21-24页 |
| 3.2.1 BP神经网络 | 第21-22页 |
| 3.2.2 量子遗传算法 | 第22-23页 |
| 3.2.3 QGA优化BP算法设计 | 第23-24页 |
| 3.3 基于CEEMDAN-PE和 QGA-BP短期风速预测模型的建立 | 第24-25页 |
| 3.4 仿真分析 | 第25-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 风电场短期风速区间预测模型 | 第30-43页 |
| 4.1 数据预处理 | 第30-32页 |
| 4.1.1 LMD算法 | 第30-31页 |
| 4.1.2 模糊熵 | 第31-32页 |
| 4.2 混合灰狼算法对极限学习机的优化 | 第32-35页 |
| 4.2.1 极限学习机 | 第32-34页 |
| 4.2.2 混合灰狼算法 | 第34页 |
| 4.2.3 HGWO优化ELM算法设计 | 第34-35页 |
| 4.3 T分布法构造预测区间 | 第35-36页 |
| 4.4 基于LMD-FE-HGWO-ELM短期风速区间预测模型的建立 | 第36-37页 |
| 4.5 仿真分析 | 第37-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第五章 风电场短期功率预测 | 第43-53页 |
| 5.1 功率曲线的建立方式 | 第43页 |
| 5.2 功率曲线的预测流程及数据处理 | 第43-44页 |
| 5.3 功率曲线的建模方法研究 | 第44-46页 |
| 5.3.1 直接法 | 第45页 |
| 5.3.2 最大概率法 | 第45页 |
| 5.3.3 比恩法 | 第45页 |
| 5.3.4 幂函数法 | 第45-46页 |
| 5.4 基于果蝇优化算法的功率曲线建模 | 第46-48页 |
| 5.4.1 果蝇优化算法 | 第46-47页 |
| 5.4.2 果蝇优化算法拟合寻优过程 | 第47-48页 |
| 5.5 仿真分析 | 第48-52页 |
| 5.5.1 数据处理 | 第48-49页 |
| 5.5.2 风速-功率曲线建模结果对比分析 | 第49-51页 |
| 5.5.3 基于FOA算法的短期功率预测 | 第51-52页 |
| 5.6 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 发表论文和科研情况说明 | 第59-60页 |
| 致谢 | 第60页 |