| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 风功率预测研究现状 | 第11-14页 |
| 1.2.1 风场出力原理 | 第11页 |
| 1.2.2 风功率预测分类 | 第11-12页 |
| 1.2.3 风功率预测应用算法现状 | 第12-14页 |
| 1.3 深度学习算法研究现状 | 第14-17页 |
| 1.3.1 深度学习算法研究现状 | 第14-15页 |
| 1.3.2 深度学习算法优点 | 第15-16页 |
| 1.3.3 深度学习算法在功率预测领域中的应用现状 | 第16-17页 |
| 1.4 本文主要工作 | 第17-20页 |
| 第2章 经典神经网络与深度学习理论 | 第20-30页 |
| 2.1 经典神经网络理论 | 第20-24页 |
| 2.1.1 BP神经网络 | 第20-21页 |
| 2.1.2 循环神经网络 | 第21-24页 |
| 2.2 适用于深度学习的神经网络 | 第24-27页 |
| 2.2.1 卷积神经网络(CNN) | 第24-27页 |
| 2.3 主流的深度学习框架介绍 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 适用于深度神经网络的多维时空数据建模 | 第30-41页 |
| 3.1 多维时空NWP数据相关特性分析 | 第30-36页 |
| 3.1.1 数据预处理 | 第30-32页 |
| 3.1.2 多维时空数据与功率的相关度分析 | 第32-33页 |
| 3.1.3 NWP数据误差定性分析 | 第33-36页 |
| 3.2 适用于短期风功率预测的深度神经网络输入结构 | 第36-39页 |
| 3.3 适用于超短期风功率预测的深度神经网络输入结构 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于深度神经网络的短期风功率预测 | 第41-57页 |
| 4.1 深度CNN性能优化方法 | 第41-43页 |
| 4.1.1 稀疏激活函数(ReLU) | 第41-42页 |
| 4.1.2 Dropout的训练技巧 | 第42页 |
| 4.1.3 多层深度卷积的使用 | 第42-43页 |
| 4.1.4 多通道间的关系的整合 | 第43页 |
| 4.2 基于深度CNN的短期预测模型 | 第43-48页 |
| 4.2.1 基于多维NWP输入的深度CNN模型 | 第44-46页 |
| 4.2.2 CNN的反向传播算法 | 第46-47页 |
| 4.2.3 风功率预测深度CNN建模流程 | 第47-48页 |
| 4.3 算例分析 | 第48-56页 |
| 4.3.1 风功率预测性能评价指标 | 第48-49页 |
| 4.3.2 单NWP点数据输入算例 | 第49-52页 |
| 4.3.3 多NWP点数据输入算例 | 第52-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 基于深度神经网络的超短期风功率预测 | 第57-70页 |
| 5.1 适用于超短期预测的神经网络理论 | 第57-60页 |
| 5.1.1 长短时记忆网络(LSTM) | 第57-59页 |
| 5.1.2 门限循环单元 | 第59-60页 |
| 5.2 风功率超短期预测模型设计 | 第60-62页 |
| 5.2.1 基于深度学习算法的超短期预测模型架构 | 第60页 |
| 5.2.2 超短期序列预测模型 | 第60-62页 |
| 5.3 基于Keras工具的深度神经网络程序设计 | 第62-64页 |
| 5.3.1 数据输入预处理 | 第62-63页 |
| 5.3.2 基于Keras的深度神经网络建模流程 | 第63-64页 |
| 5.4 算例分析 | 第64-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第6章 论文工作总结与展望 | 第70-72页 |
| 6.1 论文工作总结 | 第70-71页 |
| 6.2 论文工作展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 附录A 多NWP输入深度CNN的Keras实现代码 | 第76-78页 |
| 致谢 | 第78-80页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第80页 |
