序言1

序言2

序言3

前言

第1章 概述

1．1 背景和意义

1．2 预测技术分类

1．2．1 基于时间尺度的分类

1．2．2 基于空间范围的分类

1．2．3 基于预测方法的分类

1．2．4 基于预测结果形式的分类

1．3 研究现状

1．3．1 国外研究现状

1．3．2 国内研究现状

第2章 风能资源特征

2．1 风能资源序列的平稳性特征

2．1．1 平稳性分析

2．1．2 平稳性作用分析

2．2 风能资源序列的非平稳性特征

2．2．1 非平稳性分析

2．2．2 非平稳性作用分析

2．3 风能资源序列的波动性特征

2．3．1 风能资源序列波动构成分析

2．3．2 风能资源序列预测方法分析

2．4 风能资源序列可预报性分析

2．4．1 风能资源序列波动性对比分析

2．4．2 气象预报性能的时空差异性分析

第3章 面向风力发电预测的数值天气预报

3．1 数值天气预报的概念及特点

3．1．1 数值天气预报的基本概念

3．1．2 适用于风力发电功率预测的数值天气预报特点

3．2 数值天气预报对风力发电功率预测精度的影响

3．2．1 敏感性分析

3．2．2 预报误差原因分析

3．3 国内外技术进展

3．3．1 模式

3．3．2 区域模式

3．4 提升风能资源预报精度的关键技术

3．4．1 区域模式初始条件优化

3．4．2 集合预报方法

3．4．3 预报结果后处理订正

第4章 风力发电功率确定性预测方法

4．1 气象要素与风力发电功率的关系

4．1．1 风速与风力发电功率的关系

4．1．2 风向与风力发电功率的关系

4．1．3 空气密度与风力发电功率的关系

4．2 风力发电短期功率预测方法

4．2．1 风力发电短期功率预测模型框架

4．2．2 风力发电短期功率预测物理方法

4．2．3 风力发电短期功率预测统计方法

4．2．4 风力发电短期功率预测组合方法

4．3 风力发电超短期功率预测方法

4．3．1 风力发电超短期功率预测模型框架

4．3．2 常用超短期功率预测模型

4．4 风力发电集群功率预测方法

4．4．1 风力发电集群功率预测整体框架

4．4．2 风力发电集群功率预测物理层次

4．4．3 风力发电集群功率预测模型

4．4．4 实例分析

4．5 未来发展方向

4．5．1 区域集成建模技术

4．5．2 基于深度学习的智能预测建模技术

4．5．3 数值天气预报循环最新技术

4．5．4 基于波动持续规律挖掘的超短期预测技术

第5章 风力发电功率概率预测方法

5．1 不同特性预测误差识别

5．1．1 基于功率水平划分的识别方法

5．1．2 基于风过程模型的识别方法

5．2 风电场功率区间预测方法

5．2．1 不同特性预测误差概率分布估计方法

5．2．2 风电场发电功率区间预测模型构建方法

5．2．3 风电场发电功率区间预测方法实例分析

5．3 区域风力发电功率区间预测方法

5．3．1 区域多风电场相关特性

5．3．2 区域风力发电功率相关性考虑方法

5．3．3 考虑相关性影响的区域风力发电功率分布条件概率生成方法

5．3．4 实例分析

5．4 风力发电爬坡事件预测方法

5．4．1 风力发电爬坡事件定义方式

5．4．2 基于波动过程挖掘的风力发电爬坡事件预测方法

5．5 未来发展方向

第6章 风力发电功率预测结果评价

6．1 预测误差产生机理及特性分析

6．1．1 预测误差产生机理分析

6．1．2 预测误差特性分析

6．2 确定性预测结果评价方法

6．2．1 评价指标

6．2．2 实例分析

6．3 概率预测结果评价方法

6．3．1 区间预测结果评价

6．3．2 爬坡事件预测结果评价

6．3．3 实例分析

第7章 风力发电功率预测系统及应用

7．1 风力发电功率预测系统技术要求

7．2 风力发电功率预测系统构成

7．2．1 软件构成

7．2．2 硬件构成

7．3 我国风力发电功率预测应用情况

7．3．1 风电场侧应用情况

7．3．2 电网侧应用情况

7．4 国外风力发电功率预测应用情况

7．4．1 电网侧应用情况

7．4．2 风电场侧应用情况

参考文献

索引