| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第11-27页 |
| 1.1 课题研究背景及意义 | 第11-16页 |
| 1.1.1 国内外随机源荷发展现状 | 第11-14页 |
| 1.1.2 源荷功率随机性对电力系统的影响 | 第14-15页 |
| 1.1.3 对随机源荷功率进行概率分析和预测的意义 | 第15-16页 |
| 1.2 随机源荷概率模型的研究现状 | 第16-20页 |
| 1.2.1 单随机源荷概率模型的研究现状 | 第17-18页 |
| 1.2.2 多随机源荷时空相关性概率模型的研究现状 | 第18-20页 |
| 1.3 随机源荷概率预测方法研究现状 | 第20-22页 |
| 1.3.1 风电概率预测 | 第20-22页 |
| 1.3.2 负荷概率预测 | 第22页 |
| 1.4 目前随机源荷概率特性研究中存在的问题 | 第22-24页 |
| 1.5 本文的主要工作 | 第24-27页 |
| 2 风电功率双层时序概率建模方法 | 第27-53页 |
| 2.1 引言 | 第27-28页 |
| 2.2 不同气象条件下的风电功率特性分析 | 第28-38页 |
| 2.2.1 典型气象状态定义 | 第29-33页 |
| 2.2.2 不同典型气象状态下的风电功率特性分析 | 第33-37页 |
| 2.2.3 典型气象状态的时序转移和时间分布特性 | 第37-38页 |
| 2.3 日间典型气象状态转移的马尔科夫链子模型 | 第38-39页 |
| 2.4 不同典型气象状态条件下的日内风电功率时序概率子模型 | 第39-42页 |
| 2.4.1 传统的风电功率MCMC时序概率模拟方法 | 第39-40页 |
| 2.4.2 考虑日初始功率和功率波动量概率分布的改进MCMC方法 | 第40-42页 |
| 2.5 风电功率双层时序概率建模及随机模拟步骤 | 第42-44页 |
| 2.6 算例分析 | 第44-50页 |
| 2.6.1 算例数据及精度评价 | 第44-46页 |
| 2.6.2 小时级风电功率模拟精度的比较 | 第46-47页 |
| 2.6.3 日平均风电功率模拟精度的比较 | 第47-48页 |
| 2.6.4 相邻时刻风电功率波动量模拟精度比较 | 第48-49页 |
| 2.6.5 输入数据与模型参数对比 | 第49-50页 |
| 2.7 本章小结 | 第50-53页 |
| 3 中期单源荷功率曲线概率预测方法 | 第53-83页 |
| 3.1 引言 | 第53-54页 |
| 3.2 因子分析模型与神经网络分位数回归概率预测方法 | 第54-59页 |
| 3.2.1 多维变量的因子分析模型 | 第54-56页 |
| 3.2.2 神经网络分位数回归概率预测方法 | 第56-59页 |
| 3.3 基于因子分析和QRNN概率预测方法的中期风电功率曲线概率预测 | 第59-65页 |
| 3.3.1 日风电功率曲线的因子分析模型 | 第59-61页 |
| 3.3.2 日风电公共因子的QRNN概率预测 | 第61-63页 |
| 3.3.3 风电功率曲线的概率预测和随机模拟 | 第63-65页 |
| 3.4 基于因子分析和QRNN概率预测方法的中期负荷曲线概率预测 | 第65-70页 |
| 3.4.1 日负荷曲线的因子分析模型 | 第65-66页 |
| 3.4.2 日负荷公共因子的特点分析 | 第66-67页 |
| 3.4.3 日负荷公共因子的QRNN概率预测 | 第67-68页 |
| 3.4.4 负荷曲线的概率预测和随机模拟 | 第68-70页 |
| 3.5 算例分析 | 第70-80页 |
| 3.5.1 概率预测精度的评价指标 | 第70-71页 |
| 3.5.2 风电功率曲线概率预测 | 第71-76页 |
| 3.5.3 负荷曲线概率预测 | 第76-80页 |
| 3.6 本章小结 | 第80-83页 |
| 4 考虑时空相关性的中期多风电场功率曲线概率预测方法 | 第83-115页 |
| 4.1 引言 | 第83-84页 |
| 4.2 多风电场功率的时空相关性特点分析 | 第84-88页 |
| 4.2.1 数据描述和相关性分析方法 | 第84-85页 |
| 4.2.2 多风电场功率的时空相关性特点 | 第85-88页 |
| 4.3 考虑时空相关性的三种多风电场典型因子模型 | 第88-100页 |
| 4.3.1 单层时序相关性因子模型 | 第88-89页 |
| 4.3.2 混合时空相关性因子模型 | 第89-92页 |
| 4.3.3 双层时空相关性因子模型 | 第92-97页 |
| 4.3.4 三种多风电场典型因子模型对比 | 第97-100页 |
| 4.4 多风电场功率曲线概率预测和随机模拟 | 第100-103页 |
| 4.5 多风电场功率曲线预测场景的削减技术 | 第103-106页 |
| 4.5.1 基于Wasserstein概率距离的公共因子最优分位点离散化 | 第103-105页 |
| 4.5.2 基于K-medoids中心点聚类算法的场景削减 | 第105-106页 |
| 4.5.3 多风电场功率曲线预测场景的削减步骤 | 第106页 |
| 4.6 算例分析 | 第106-114页 |
| 4.6.1 算例数据及其仿真条件 | 第106-107页 |
| 4.6.2 多风电场功率曲线确定性预测场景 | 第107-109页 |
| 4.6.3 多风电场功率曲线的随机预测场景 | 第109-113页 |
| 4.6.4 典型场景集对大样本抽样逼近程度比较 | 第113-114页 |
| 4.7 本章小结 | 第114-115页 |
| 5 结论与展望 | 第115-119页 |
| 5.1 结论 | 第115-116页 |
| 5.2 展望 | 第116-119页 |
| 致谢 | 第119-121页 |
| 参考文献 | 第121-129页 |
| 附录 | 第129页 |
| A. 作者在攻读学位期间完成的论文及专利 | 第129页 |
| B. 作者在攻读学位期间参与的科研项目 | 第129页 |
