前言
第1章 绪论
1.1 引言
1.1.1 本书研究背景
1.1.2 本书研究的目的和意义
1.2 国内外研究现状
1.2.1 风力发电机组疲劳载荷方面的研究
1.2.2 风电场功率预测的研究
1.2.3 含风电场的电力系统经济调度及风电场内优化调度的研究
1.3 本书研究内容和技术路线
第2章 风力发电机组疲劳载荷与疲劳损伤研究
2.1 引言
2.2 基于GH-Bladed的疲劳载荷计算
2.2.1 风力发电机组载荷及其来源
2.2.2 风力发电机组载荷计算坐标
2.2.3 风力发电机组疲劳载荷计算工况
2.2.4 风力发电机组基本参数以及风模型
2.3 风力发电机组疲劳载荷与疲劳损伤
2.3.1 雨流计算法则与Miner疲劳累积损伤理论
2.3.2 等效疲劳载荷以及相对疲劳损伤量
2.4 本章小结
第3章 基于相空间重构的风电功率预测研究
3.1 引言
3.2 基于相空间重构的风电功率短期预测
3.2.1 混沌动力学系统的相空间重构
3.2.2 神经网络和Volterra级数
3.2.3 风电功率的预测模型
3.2.4 算例分析
3.3 本章小结
第4章 基于降低集电系统损耗的风电场内机组功率分配模型
4.1 引言
4.2 风电场内功率分配模型
4.2.1 风电场集电系统
4.2.2 牛顿-拉弗森法潮流计算
4.2.3 粒子群算法和遗传-粒子群算法优化风电场内功率分配研究
4.2.4 算例及分析
4.3 本章小结
第5章 基于降低风力发电机组疲劳损伤的风电场内优化调度研究
5.1 引言
5.2 以机组疲劳损伤量最小为目标的机组组合模型
5.2.1 目标函数
5.2.2 约束条件
5.3 改进二进制粒子群算法优化机组组合研究
5.3.1 改进二进制粒子群算法原理概述
5.3.2 算例及分析
5.4 遗传算法优化机组组合研究
5.4.1 遗传算法原理概述
5.4.2 算例及分析
5.5 遗传-粒子群算法优化机组组合研究
5.5.1 遗传-粒子群算法模型
5.5.2 算例及分析
5.6 本章小结
第6章 风电场内机组分类运行研究
6.1 引言
6.2 自组织特征映射神经网络
6.2.1 自组织特征映射神经网络的概述
6.2.2 建模过程
6.2.3 算例及分析
6.3 基于遗传模拟退火算法的模糊聚类算法
6.3.1 模糊聚类算法
6.3.2 模拟退火算法原理概述
6.3.3 基于遗传模拟退火算法的模糊聚类算法原理概述
6.3.4 算例及分析
6.4 基于风力发电机组分类的风电场内功率分配模型
6.4.1 遗传算法优化风电场内功率分配研究
6.4.2 算例及分析
6.5 本章小结
第7章 多目标的风电场内优化调度研究
7.1 引言
7.2 多目标的风电场内优化调度模型
7.2.1 目标函数
7.2.2 约束条件
7.2.3 优化算法
7.2.4 算例及分析
7.3 本章小结
第8章 基于风功率场景预测的风电场内优化调度研究
8.1 引言
8.2 风电功率场景预测的描述与构建方法
8.2.1 离散状态马尔可夫链风速模型
8.2.2 场景生成
8.2.3 场景缩减
8.3 风力发电机组功率场景预测算例
8.4 基于场景预测的风电场内日前机组组合模型
8.4.1 目标函数
8.4.2 约束条件
8.4.3 遗传算法求解机组组合模型
8.5 算例分析
8.5.1 风电场景预测信息
8.5.2 用遗传算法求解基于场景树的机组组合模型
8.6 本章小结
第9章 基于提高电能质量的风电场内优化调度研究
9.1 本章研究背景
9.2 本章研究目的及意义
9.3 风电场电能质量问题
9.3.1 电压偏差
9.3.2 电压波动和闪变
9.3.3 谐波
9.4 目前相应解决方案
9.5 机组闪变分析模型的建立
9.5.1 风的湍流模型
9.5.2 风力发电机组模型参数以及接入电网情况
9.6 风况对闪变的影响
9.6.1 风况的生成与加载
9.6.2 参数拟合情况
9.7 风况的预测
9.7.1 基于神经网络的时间序列预测
9.7.2 算例预测情况
9.8 风电场内机组组合优化调度情况
9.9 本章小结
第10章 结论与展望
10.1 结论
10.2 展望
参考文献