前言
第1章 绪论
1.1 风电功率预测基本概念
1.2 风电功率预测主要方法
1.3 风电功率预测技术发展历程
1.4 本书章节安排
第2章 气象学基础与天气预报
2.1 引言
2.2 气象要素对风电功率的影响
2.2.1 风速与输出功率的关系
2.2.2 风向与输出功率的关系
2.2.3 空气密度与输出功率的关系
2.3 大气运动理论基础
2.3.1 大气运动原理
2.3.2 大气层结稳定度
2.3.3 大气运动方程及其简化
2.3.4 大气边界层中的运动方程
2.3.5 对数风廓线
2.3.6 地转拖曳定律
2.4 数值天气预报
2.4.1 NWP技术简介
2.4.2 风电功率预测使用 NWP的技术要求
第3章 风电功率物理预测方法
3.1 引言
3.2 地形变化对风速、风向的影响
3.2.1 边界层外层流场扰动求解
3.2.2 边界层内层流场扰动求解
3.2.3 中间层流场扰动求解
3.2.4 模型求解方法
3.3 粗糙度变化对风速、风向的影响
3.3.1 粗糙度变化模型
3.3.2 粗糙度变化模型求解步骤
3.4 尾流效应对风速、风向的影响
3.4.1 Larsen尾流效应模型
3.4.2 尾流湍流模型
3.4.3 尾流效应组合模型
3.5 风电功率物理预测模型
3.5.1 风速、风向预测方法
3.5.2 风电场物理预测模型
3.6 实例分析
3.6.1 风速、风向预测实例
3.6.2 风电场物理预测模型实例
第4章 风电功率统计预测方法
4.1 引言
4.2 时间序列模型
4.3 BP神经网络模型
4.3.1 人工神经元结构
4.3.2 BP神经网络的基本原理及算法
4.3.3 BP神经网络算法的改进
4.3.4 BP神经网络的泛化能力
4.4 径向基函数神经网络模型
4.4.1 径向基函数
4.4.2 径向基函数神经网络结构
4.4.3 径向基函数神经网络学习算法
4.5 支持向量机模型
4.5.1 支持向量机基本原理
4.5.2 支持向量机回归算法
4.5.3 核函数
4.5.4 最小二乘支持向量机
4.6 预测模型输入数据归一化
4.7 三种机器学习方法比较及实例分析
4.8 风电功率组合预测方法
4.8.1 集成平均组合预测方法
4.8.2 线性回归组合预测方法
第5章 模式输出统计方法在风电功率预测中的应用
5.1 引言
5.2 MOS方法简介
5.2.1 相关与回归的基本概念
5.2.2 一元线性回归的数学模型
5.2.3 参数最小二乘估计
5.2.4 相关性分析
5.3 MOS改进物理预测方法
5.3.1 风电场功率曲线求取
5.3.2 MOS改进物理预测方法的计算步骤
5.3.3 实例分析
5.4 MOS改进统计预测方法
第6章 风电功率预测误差
6.1 引言
6.2 确定性功率预测结果评价指标
6.3 预测误差的分布特征
6.3.1 预测误差总体分布
6.3.2 不同功率水平下的误差特性
6.4 物理预测方法的误差源分析
6.4.1 物理模型的误差
6.4.2 地转拖曳定律引入的误差
6.4.3 实例分析
6.5 统计预测方法的误差源分析
6.5.1 不同 NWP模式的预测误差
6.5.2 不同训练数据长度的预测误差
第7章 风电功率概率预测方法
7.1 引言
7.2 风电功率概率预测的条件概率分布
7.3 风电功率概率预测方法分类
7.3.1 不同输入数据源的概率预测方法
7.3.2 参数化及非参数化概率预测方法
7.3.3 单场站及区域风电场群的概率预测方法
7.4 概率预测的评价指标
7.4.1 可靠度
7.4.2 锐度
7.4.3 技巧分数
7.5 基于 RBF神经网络的分位数回归概率预测方法
7.5.1 RBF神经网络分位数回归
7.5.2 基于 ADMM算法估计分位数回归参数
7.5.3 风向聚类的机制转换建模方法
7.5.4 实例分析
7.6 基于距离加权核密度估计的概率预测方法
7.6.1 基于 k近邻法的条件样本集构建
7.6.2 基于距离加权的核密度估计方法
7.6.3 实例分析
参考文献
展开
