基于大数据的风功率预测模型优化研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-14页 |
| 1.2.1 国内研究情况 | 第11-13页 |
| 1.2.2 国外研究情况 | 第13-14页 |
| 1.3 本文的主要研究内容 | 第14页 |
| 1.4 论文结构 | 第14-16页 |
| 第2章 大数据及其在风电行业的应用研究 | 第16-27页 |
| 2.1 大数据的概念 | 第16-18页 |
| 2.1.1 大数据的定义 | 第16-17页 |
| 2.1.2 大数据的特点 | 第17-18页 |
| 2.2 大数据的处理流程 | 第18-21页 |
| 2.2.1 数据采集 | 第18-19页 |
| 2.2.2 数据处理与集成 | 第19-20页 |
| 2.2.3 数据分析 | 第20页 |
| 2.2.4 数据解释 | 第20-21页 |
| 2.3 大数据的处理框架 | 第21-25页 |
| 2.3.1 Hadoop技术 | 第21页 |
| 2.3.2 Map Reduce技术 | 第21-23页 |
| 2.3.3 HDFS技术 | 第23-24页 |
| 2.3.4 No SQL技术 | 第24-25页 |
| 2.4 大数据在风电行业的应用 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 风电功率预测方法及技术的研究 | 第27-36页 |
| 3.1 影响风功率的因素分析 | 第27-30页 |
| 3.1.1 风速对风功率的影响 | 第27页 |
| 3.1.2 风向对风功率的影响 | 第27-28页 |
| 3.1.3 空气密度对风功率的影响 | 第28-29页 |
| 3.1.4 粗糙度对风功率的影响 | 第29-30页 |
| 3.2 风电功率预测方法的研究 | 第30-32页 |
| 3.2.1 BP神经网络风功率预测模型 | 第30-31页 |
| 3.2.2 支持向量机风功率预测模型 | 第31-32页 |
| 3.3 组合模型的研究 | 第32-35页 |
| 3.3.1 组合模型的建立 | 第32-34页 |
| 3.3.2 算例分析 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于大数据的风电功率预测模型研究 | 第36-44页 |
| 4.1 基于大数据的风功率预测方法概述 | 第36-37页 |
| 4.2 风功率预测数据的预处理 | 第37-40页 |
| 4.2.1 气象数据的整理 | 第37页 |
| 4.2.2 历史数据的整理 | 第37-40页 |
| 4.2.3 数据的归一化处理 | 第40页 |
| 4.3 基于大数据的风功率预测模型研究 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 风功率预测系统的设计与应用 | 第44-54页 |
| 5.1 需求分析 | 第44-45页 |
| 5.1.1 用户需求 | 第44页 |
| 5.1.2 功能要求 | 第44-45页 |
| 5.1.3 系统目标 | 第45页 |
| 5.2 风功率预测系统的总体设计 | 第45-50页 |
| 5.2.1 功能概述 | 第45-46页 |
| 5.2.2 系统结构 | 第46-47页 |
| 5.2.3 数据存取实现 | 第47-50页 |
| 5.3 风功率预测系统的应用实现 | 第50-53页 |
| 5.3.1 系统登录 | 第50页 |
| 5.3.2 功率预报 | 第50-51页 |
| 5.3.3 误差统计 | 第51-52页 |
| 5.3.4 风机全景图 | 第52-53页 |
| 5.3.5 运行管理 | 第53页 |
| 5.4 本章小结 | 第53-54页 |
| 第6章 结论与展望 | 第54-56页 |
| 6.1 本文总结 | 第54页 |
| 6.2 未来展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 在校期间发表的学术论文和参加科研情况 | 第59-60页 |
| 致谢 | 第60页 |
