| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 课题来源 | 第10页 |
| 1.2 光伏发电研究背景 | 第10-11页 |
| 1.3 光伏发电预测的意义 | 第11-12页 |
| 1.4 国内外研究现状 | 第12-16页 |
| 1.4.1 光伏发电 | 第12-14页 |
| 1.4.2 光伏发电预测方法 | 第14-16页 |
| 1.5 光伏发电基础理论 | 第16-20页 |
| 1.5.1 光伏发电 | 第16-17页 |
| 1.5.2 光伏发电系统组成与分类 | 第17-20页 |
| 1.6 本文主要研究内容 | 第20-22页 |
| 第2章 短期太阳辐射预测方法 | 第22-30页 |
| 2.1 基于理论和经验的直接太阳辐射预测方法 | 第22-26页 |
| 2.1.1 瞬时太阳辐射预测方法 | 第22-23页 |
| 2.1.2 逐时太阳辐射预测方法 | 第23-25页 |
| 2.1.3 日总太阳辐射预测方法 | 第25-26页 |
| 2.2 基于历史数据驱动的短期太阳辐射预测方法 | 第26-28页 |
| 2.2.1 基于统计理论的太阳辐射预测方法 | 第26-27页 |
| 2.2.2 基于神经网络的太阳辐射预测方法 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第3章 基于太阳辐射和光伏系统物理模型的短期发电功率预测方法 | 第30-38页 |
| 3.1 简单物理模型 | 第30-31页 |
| 3.2 一二阶物理模型 | 第31-32页 |
| 3.3 复杂物理模型 | 第32-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于大数据驱动的光伏系统短期发电功率预测方法 | 第38-50页 |
| 4.1 时间序列法 | 第38-39页 |
| 4.1.1 多元线性回归预测模型 | 第38-39页 |
| 4.1.2 ARMA和ARIMA | 第39页 |
| 4.2 时间趋势外推法 | 第39-40页 |
| 4.2.1 马尔科夫链的预测模型 | 第39-40页 |
| 4.2.2 灰色理论预测模型 | 第40页 |
| 4.3 点预测法 | 第40-42页 |
| 4.3.1 支持向量机（SVM）预测模型 | 第40-41页 |
| 4.3.2 贝叶斯模型 | 第41页 |
| 4.3.3 广义可加模型和随机森林模型 | 第41-42页 |
| 4.4 智能预测法 | 第42-43页 |
| 4.5 预测实例分析 | 第43-48页 |
| 4.5.1 灰色预测实例 | 第43-46页 |
| 4.5.2 BP神经网络预测实例 | 第46-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第5章 基于复杂环境因素的光伏发电系统短期功率预测 | 第50-70页 |
| 5.1 光伏发电实例数据来源 | 第50页 |
| 5.2 影响光伏发电输出功率的因素分析 | 第50-57页 |
| 5.3 变量的选择与虚拟化 | 第57-59页 |
| 5.4 太阳辐射预测模型 | 第59-62页 |
| 5.5 光伏系统发电功率预测模型 | 第62-64页 |
| 5.6 光伏系统发电效率预测模型 | 第64页 |
| 5.7 预测结果与误差分析 | 第64-69页 |
| 5.7.1 太阳辐射预测 | 第65-66页 |
| 5.7.2 光伏系统输出功率预测 | 第66-67页 |
| 5.7.3 光伏系统发电效率预测 | 第67-69页 |
| 5.8 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读学位期间的研究成果 | 第77页 |
