基于人工神经网络的短期风功率预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 引言 | 第9-12页 |
| 1.1.1 课题的研究背景 | 第9-11页 |
| 1.1.2 课题研究的意义 | 第11-12页 |
| 1.2 风电功率预测及预测方法分类 | 第12-14页 |
| 1.2.1 风电功率预测分类 | 第12-13页 |
| 1.2.2 预测方法分类 | 第13-14页 |
| 1.3 风电场风速和功率预测研究现状 | 第14-17页 |
| 1.3.1 国外研究现状 | 第14-16页 |
| 1.3.2 国内研究现状 | 第16-17页 |
| 1.4 论文的主要研究内容 | 第17页 |
| 1.5 论文的组织结构 | 第17-19页 |
| 第2章 风电相关特性和风电场参数统计规律研究 | 第19-27页 |
| 2.1 引言 | 第19页 |
| 2.2 风电特性 | 第19-22页 |
| 2.2.1 风能参数 | 第19页 |
| 2.2.2 风速模型 | 第19-21页 |
| 2.2.3 风电机组输出功率特性 | 第21-22页 |
| 2.3 风电场参数统计规律分析 | 第22-26页 |
| 2.3.1 风速统计规律 | 第22-24页 |
| 2.3.2 风向统计规律 | 第24-25页 |
| 2.3.3 发电量统计 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 人工神经网络基本理论 | 第27-41页 |
| 3.1 神经网络概述 | 第27-30页 |
| 3.1.1 神经网络简介 | 第27页 |
| 3.1.2 神经网络的特点 | 第27-28页 |
| 3.1.3 人工神经元模型 | 第28-29页 |
| 3.1.4 激活转移函数 | 第29-30页 |
| 3.2 反向传播网络 | 第30-36页 |
| 3.2.1 BP网络模型 | 第30-31页 |
| 3.2.2 BP算法 | 第31-34页 |
| 3.2.3 BP网络的设计 | 第34-35页 |
| 3.2.4 BP网络的缺点 | 第35-36页 |
| 3.3 径向基函数神经网络 | 第36-38页 |
| 3.3.1 RBF神经网络的基本原理和模型结构 | 第36-37页 |
| 3.3.2 RBF中心的选取 | 第37-38页 |
| 3.3.3 RBF网络的优点 | 第38页 |
| 3.4 RBF-BP组合神经网络 | 第38-40页 |
| 3.4.1 RBF-BP组合神经网络的结构 | 第38-39页 |
| 3.4.2 RBF-BP组合神经网络算法简介 | 第39-40页 |
| 3.4.3 RBF-BP组合神经网络的特点 | 第40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于人工神经网络的短期风电功率预测 | 第41-45页 |
| 4.1 短期风功率预测 | 第41-44页 |
| 4.1.1 样本数据的采集和预处理 | 第41-42页 |
| 4.1.2 误差评价 | 第42页 |
| 4.1.3 建立预测模型 | 第42页 |
| 4.1.4 风功率预测比较分析 | 第42-44页 |
| 4.2 预测误差分析 | 第44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 结论与展望 | 第45-47页 |
| 5.1 结论 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-51页 |
| 致谢 | 第51页 |
