基于神经网络的太阳电池标准条件下性能计算
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 太阳能技术特点 | 第8-9页 |
| 1.2 我国太阳能行业前景 | 第9-12页 |
| 1.3 太阳能检测技术 | 第12-13页 |
| 1.4 本文的主要工作 | 第13-15页 |
| 第二章 太阳电池性能对评价电池的重要性 | 第15-29页 |
| 2.1 太阳电池工作原理 | 第15-20页 |
| 2.1.1 太阳电池原理及能量转换效率 | 第15-20页 |
| 2.2 太阳电池的性能 | 第20-25页 |
| 2.2.1 太阳电池的电学特性 | 第20-22页 |
| 2.2.2 环境对太阳电池的影响 | 第22-25页 |
| 2.3 标准中关于太阳电池性能的计算方法 | 第25-28页 |
| 2.3.1 修正方法 | 第25-26页 |
| 2.3.2 温度系数的测定 | 第26-27页 |
| 2.3.3 内部串联电阻的测定 | 第27页 |
| 2.3.4 曲线修正系数的测定 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 人工神经网络概述 | 第29-38页 |
| 3.1 引言 | 第29页 |
| 3.2 传统的反向传播神经网络 | 第29-37页 |
| 3.2.1 生物神经元 | 第29-31页 |
| 3.2.2 人工神经元 | 第31-32页 |
| 3.2.3 BP 神经元及BP 网络模型 | 第32-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 计算电池性能的神经网络设计 | 第38-55页 |
| 4.1 太阳电池模型 | 第38-41页 |
| 4.2 各层神经元数量的确定 | 第41-44页 |
| 4.3 训练的算法 | 第44-54页 |
| 4.3.1 传统BP 算法的缺点 | 第44-49页 |
| 4.3.2 改进的LM 算法 | 第49-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 模型应用与实验结果 | 第55-64页 |
| 5.1 实验工具 | 第55-57页 |
| 5.1.1 Matlab | 第55-56页 |
| 5.1.2 IVTracer 和数据库 | 第56页 |
| 5.1.3 PV Tester | 第56-57页 |
| 5.2 BP 人工神经网络模型 | 第57-58页 |
| 5.3 实证检验 | 第58-60页 |
| 5.4 模型的局限性 | 第60-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 全文总结与展望 | 第64-66页 |
| 6.1 本文的主要结论和创新点 | 第64页 |
| 6.2 下一步的工作展望 | 第64-66页 |
| 部分神经网络代码附录 | 第66-68页 |
| 参考文献 | 第68-70页 |
| 攻读学位期间发表的论文 | 第70-71页 |
| 攻读硕士学位期间参与的科研项目 | 第71-72页 |
| 致谢 | 第72-74页 |
