| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-12页 |
| 第1章 绪论 | 第12-21页 |
| ·研究背景及意义 | 第12-15页 |
| ·研究背景 | 第12-13页 |
| ·研究的目的和意义 | 第13-15页 |
| ·风电功率预测研究 | 第15-18页 |
| ·风电功率预测分类 | 第15-16页 |
| ·风电功率预测方法分析 | 第16-18页 |
| ·国内外研究现状 | 第18-19页 |
| ·国内研究现状 | 第18页 |
| ·国外研究现状 | 第18-19页 |
| ·本文主要工作 | 第19-21页 |
| 第2章 基于小波分解的BP神经网络在功率预测中的应用 | 第21-32页 |
| ·引言 | 第21页 |
| ·神经网络模型 | 第21-25页 |
| ·人工神经网络模型 | 第21-22页 |
| ·BP神经网络模型 | 第22-25页 |
| ·小波分析理论 | 第25-26页 |
| ·小波变换 | 第25页 |
| ·信号分解与信号重构 | 第25-26页 |
| ·基于小波-BP神经网络的短期风电功率预测 | 第26-31页 |
| ·小波-BP预测模型的构建 | 第26-27页 |
| ·算例分析 | 第27-31页 |
| ·小结 | 第31-32页 |
| 第3章 基于时间序列模型的短期风电功率预测模型 | 第32-51页 |
| ·引言 | 第32页 |
| ·时间序列的概念 | 第32-34页 |
| ·时间序列 | 第32-33页 |
| ·时间序列的平稳性 | 第33-34页 |
| ·时间序列的线性模型 | 第34-40页 |
| ·延迟算子和差分算子 | 第35页 |
| ·几类线性模型的数学描述 | 第35-36页 |
| ·线性模型的自相关函数和偏相关函数 | 第36-40页 |
| ·时间序列预测法的具体步骤 | 第40-46页 |
| ·判定序列的平稳性 | 第40页 |
| ·模型识别 | 第40-42页 |
| ·参数估计 | 第42-43页 |
| ·模型的检验与修改 | 第43-44页 |
| ·建立预测模型 | 第44-45页 |
| ·预测值的修正 | 第45-46页 |
| ·算例分析 | 第46-50页 |
| ·小结 | 第50-51页 |
| 第4章 基于遗传优化的支持向量机短期风电功率预测研究 | 第51-63页 |
| ·引言 | 第51页 |
| ·统计学习理论基础 | 第51-54页 |
| ·VC维和推广性的界 | 第52-53页 |
| ·结构风险最小化 | 第53-54页 |
| ·支持向量机算法 | 第54-57页 |
| ·支持向量回归原理 | 第54-55页 |
| ·核函数 | 第55-56页 |
| ·支持向量机模型参数 | 第56-57页 |
| ·遗传算法优化支持向量机建模 | 第57-59页 |
| ·遗传算法原理 | 第57-58页 |
| ·遗传优化支持向量机模型构建 | 第58-59页 |
| ·算例分析 | 第59-62页 |
| ·GA-SVM模型预测分析 | 第59-61页 |
| ·GA-SVM与SVM仿真对比 | 第61-62页 |
| ·小结 | 第62-63页 |
| 第5章 组合预测在短期风电功率预测中的应用研究 | 第63-70页 |
| ·引言 | 第63页 |
| ·组合预测方法 | 第63-67页 |
| ·算例分析 | 第67-69页 |
| ·最小方差法确定加权系数 | 第67-68页 |
| ·最优非负可变加权系数法确定加权系数 | 第68-69页 |
| ·小结 | 第69-70页 |
| 第6章 结论与展望 | 第70-72页 |
| ·论文工作结论 | 第70-71页 |
| ·论文工作展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士期间研究成果 | 第76-77页 |
| 致谢 | 第77页 |