| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究的背景和意义 | 第8-10页 |
| 1.2 光伏电站发电功率预测方法 | 第10-12页 |
| 1.2.1 光伏电站发电功率预测概述 | 第10页 |
| 1.2.2 光伏电站发电功率预测的分类 | 第10-12页 |
| 1.3 光伏电站发电功率国内外研究现状 | 第12-13页 |
| 1.4 研究内容 | 第13-14页 |
| 2 光伏电站发电功率影响因素相关性分析 | 第14-34页 |
| 2.1 气象因素对光伏电站发电功率的影响 | 第14-26页 |
| 2.1.1 太阳辐照度对光伏电站发电功率的影响 | 第14-18页 |
| 2.1.2 环境温度对光伏电站发电功率的影响 | 第18-21页 |
| 2.1.3 相对湿度对光伏电站发电功率的影响 | 第21-24页 |
| 2.1.4 风况对光伏电站发电功率的影响 | 第24-26页 |
| 2.1.5 光伏电站发电功率与影响因子的多元回归方程 | 第26页 |
| 2.2 天气类型对光伏电站发电功率的影响 | 第26-33页 |
| 2.2.1 晴天对光伏电站发电功率的影响 | 第26-28页 |
| 2.2.2 多云对光伏电站发电功率的影响 | 第28-29页 |
| 2.2.3 阴天对光伏电站发电功率的影响 | 第29-31页 |
| 2.2.4 雨天对光伏电站发电功率的影响 | 第31-32页 |
| 2.2.5 天气类型的影响分析 | 第32-33页 |
| 2.3 本章小结 | 第33-34页 |
| 3 光伏电站发电功率预测模型的研究 | 第34-48页 |
| 3.1 灰色理论模型在光伏电站发电功率中的应用 | 第34-36页 |
| 3.1.1 灰色理论概述 | 第34-35页 |
| 3.1.2 灰色GM(1,1)建模原理及步骤 | 第35-36页 |
| 3.2 人工神经网络模型在光伏电站发电功率中的应用 | 第36-39页 |
| 3.2.1 BP神经网络算法 | 第36-37页 |
| 3.2.2 BP神经网络模型 | 第37-39页 |
| 3.3 多元线性回归模型在光伏电站发电功率中的应用 | 第39-42页 |
| 3.3.1 光伏电池模型发电功率理论计算 | 第39-41页 |
| 3.3.2 多元线性回归预测模型 | 第41-42页 |
| 3.4 组合预测方法在光伏电站发电功率中的应用 | 第42-46页 |
| 3.4.1 组合预测方法基本理论 | 第43-45页 |
| 3.4.2 基于熵值法的组合预测模型 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 4 光伏电站发电功率预测算例分析 | 第48-60页 |
| 4.1 光伏电站发电功率预测数据预处理 | 第48-49页 |
| 4.1.1 数据的选取 | 第48页 |
| 4.1.2 归一化处理 | 第48-49页 |
| 4.1.3 预测效果评估指标 | 第49页 |
| 4.2 预测结果及分析 | 第49-58页 |
| 4.2.1 A类天气类型预测 | 第49-52页 |
| 4.2.2 B类天气类型预测 | 第52-55页 |
| 4.2.3 C类天气类型预测 | 第55-58页 |
| 4.3 预测结果的评价 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 结论 | 第60-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-67页 |
