基于小波分析和支持向量机的风电功率预测
| 目录 | 第1-6页 |
| CONTENTS | 第6-8页 |
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 绪论 | 第12-24页 |
| ·课题背景 | 第12-16页 |
| ·世界风电产业发展现状 | 第12-13页 |
| ·中国风电产业发展现状 | 第13-15页 |
| ·课题背景与意义 | 第15-16页 |
| ·风电功率预测研究现状 | 第16-20页 |
| ·国外研究现状 | 第16-17页 |
| ·国内研究现状 | 第17-18页 |
| ·风电功率预测基本方法 | 第18-20页 |
| ·风电功率预测评价标准 | 第20-22页 |
| ·常用误差评价标准 | 第20-21页 |
| ·《办法》中的考核指标 | 第21-22页 |
| ·本文采用的评价标准 | 第22页 |
| ·本文的主要工作 | 第22-24页 |
| 第二章 基于小波神经网络的风电功率预测 | 第24-46页 |
| ·小波神经网络 | 第24-34页 |
| ·小波理论简介 | 第24-27页 |
| ·神经网络 | 第27-30页 |
| ·小波神经网络 | 第30-34页 |
| ·偏移小波神经网络 | 第34-39页 |
| ·小波变换的冗余 | 第34-35页 |
| ·偏移小波 | 第35-37页 |
| ·偏移小波网络结构 | 第37-39页 |
| ·偏移小波神经网络的学习过程 | 第39-42页 |
| ·选择偏移小波函数 | 第39-40页 |
| ·初始化网络参数 | 第40-41页 |
| ·学习算法 | 第41-42页 |
| ·基于偏移小波网络的风电场短期风电功率预测 | 第42-44页 |
| ·数据预处理 | 第42-43页 |
| ·实例分析 | 第43-44页 |
| ·预测结果分析 | 第44页 |
| ·本章小结 | 第44-46页 |
| 第三章 基于小波分析和支持向量机的风电功率预测 | 第46-66页 |
| ·提升小波变换原理及算法 | 第46-49页 |
| ·提升小波变换 | 第46-48页 |
| ·风电功率序列的提升小波分解 | 第48-49页 |
| ·SVM学习过程 | 第49-57页 |
| ·SVM简介 | 第49-51页 |
| ·SVM学习算法 | 第51-53页 |
| ·支持向量机回归算法 | 第53-54页 |
| ·Libsvm工具箱简介 | 第54-55页 |
| ·交叉验证法优化SVM的参数 | 第55-57页 |
| ·基于小波分析和支持向量机的风电功率预测 | 第57-60页 |
| ·LWT-SVM的预测模型 | 第57-58页 |
| ·数据预处理 | 第58页 |
| ·模型训练 | 第58页 |
| ·模型预测 | 第58-60页 |
| ·基于小波分析和SVM的预测结果分析 | 第60-63页 |
| ·SVM预测效果 | 第60页 |
| ·WT-SVM预测效果 | 第60-61页 |
| ·WP-SVM预测效果 | 第61-62页 |
| ·LWT-SVM预测效果 | 第62-63页 |
| ·各种预测方法预测结果分析 | 第63页 |
| ·本章小结 | 第63-66页 |
| 第四章 短期风电功率预测软件 | 第66-72页 |
| ·软件功能概述 | 第66页 |
| ·软件的总体结构 | 第66-68页 |
| ·软件界面介绍 | 第68-72页 |
| ·登陆界面 | 第68页 |
| ·风电功率预测界面 | 第68-72页 |
| 第五章 总结 | 第72-74页 |
| ·结论 | 第72-73页 |
| ·展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 攻读硕士学位期间参与科研情况 | 第80-82页 |
| 学位论文评阅及答辩情况表 | 第82页 |
