基于GACO支持向量机的新能源电力系统状态预测方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-23页 |
| 1.1 光伏产业发展现状 | 第11-14页 |
| 1.1.1 国外光伏产业发展现状 | 第11-13页 |
| 1.1.2 国内光优产业发展现状 | 第13-14页 |
| 1.2 风电产业发展状况 | 第14-17页 |
| 1.2.1 国外风电产业发展状况 | 第14-16页 |
| 1.2.2 国内风电产业发展现状 | 第16-17页 |
| 1.3 课题来源和研究意义 | 第17-18页 |
| 1.4 本文所涉及的领域的国内外研究现状 | 第18-21页 |
| 1.4.1 支持向量机参数选择研究现状 | 第18-19页 |
| 1.4.2 光伏出力预测研究现状 | 第19-20页 |
| 1.4.3 风速估计和阵风预测研究现状 | 第20-21页 |
| 1.5 论文内容 | 第21-23页 |
| 2 支持向量机基本原理及论文总体方案 | 第23-35页 |
| 2.1 引言 | 第23页 |
| 2.2 机器学习 | 第23-27页 |
| 2.2.1 机械式学习 | 第24-25页 |
| 2.2.2 归纳学习 | 第25页 |
| 2.2.3 基于解释的学习 | 第25-26页 |
| 2.2.4 神经网络 | 第26页 |
| 2.2.5 遗传算法 | 第26-27页 |
| 2.3 支持向量机 | 第27-32页 |
| 2.3.1 统计学理论 | 第27页 |
| 2.3.2 VC维与结构风险最小化原则 | 第27-28页 |
| 2.3.3 支持向量机分类 | 第28-29页 |
| 2.3.4 支持向量机回归 | 第29-31页 |
| 2.3.5 LibSVM工具箱 | 第31-32页 |
| 2.3.6 支持向量机的参数选择 | 第32页 |
| 2.4 论文总体方案设计 | 第32-34页 |
| 2.5 本章总结 | 第34-35页 |
| 3 GACO算法及其在SVM参数选择中的应用 | 第35-46页 |
| 3.1 序言 | 第35页 |
| 3.2 蚁群算法简介 | 第35-37页 |
| 3.3 蚁群算法在支持向量机参数选择中的应用 | 第37-39页 |
| 3.4 网格搜索法 | 第39-40页 |
| 3.5 网格优化的蚁群算法 | 第40-41页 |
| 3.6 仿真实验 | 第41-45页 |
| 3.7 本章总结 | 第45-46页 |
| 4 基于GACO参数选择的支持向量机光伏出力预测 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 光伏电池工作原理 | 第46-47页 |
| 4.3 光伏电池输出功率预测 | 第47-48页 |
| 4.4 光伏电池模型构建 | 第48-51页 |
| 4.5 多种天气情况下光伏输出功率预测仿真分析 | 第51-57页 |
| 4.5.1 少云天气下输出功率预测 | 第53-54页 |
| 4.5.2 多云天气下输出功率预测 | 第54-55页 |
| 4.5.3 阵雨天气下输出功率预测 | 第55-57页 |
| 4.6 本章总结 | 第57-58页 |
| 5 基于GACO支持向量机的风速预测和阵风判断 | 第58-76页 |
| 5.1 引言 | 第58-59页 |
| 5.2 风电机组及其模型建立 | 第59-65页 |
| 5.2.1 风电机组主要构造 | 第59-61页 |
| 5.2.2 风电机组发电原理 | 第61-62页 |
| 5.2.3 Bladed仿真平台 | 第62-64页 |
| 5.2.4 基于SPSS的相关性分析 | 第64-65页 |
| 5.3 基于支持向量机回归的风速预测 | 第65-72页 |
| 5.3.1 9m/s湍流风风速预测 | 第67-69页 |
| 5.3.2 11m/s湍流风风速预测 | 第69-71页 |
| 5.3.3 14m/s湍流风风速预测 | 第71-72页 |
| 5.4 基于支持向量机分类的阵风判断 | 第72-75页 |
| 5.5 本章总结 | 第75-76页 |
| 6 结论 | 第76-78页 |
| 6.1 研究工作总结 | 第76-77页 |
| 6.2 后续工作展望 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第82-84页 |
| 学位论文数据集 | 第84页 |
