| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 光伏产业发展现状 | 第10-12页 |
| 1.2.1 世界光伏产业发展现状 | 第10-11页 |
| 1.2.2 世界各国支持光伏产业发展的配套措施 | 第11-12页 |
| 1.2.3 中国支持光伏产业发展的配套措施 | 第12页 |
| 1.3 研究意义 | 第12-13页 |
| 1.4 国内外研究现状 | 第13-14页 |
| 1.5 本文的主要工作 | 第14-15页 |
| 1.6 本章小结 | 第15-16页 |
| 2 天气识别和相似时段模型 | 第16-27页 |
| 2.1 太阳能与太阳辐射 | 第16-18页 |
| 2.1.1 太阳能 | 第16页 |
| 2.1.2 太阳辐射 | 第16-18页 |
| 2.2 光伏发电原理及光伏发电系统 | 第18-21页 |
| 2.2.1 光伏发电原理 | 第18-19页 |
| 2.2.2 光伏发电系统 | 第19-20页 |
| 2.2.3 光伏发电技术的应用领域 | 第20-21页 |
| 2.3 天气 | 第21页 |
| 2.4 天气预报 | 第21-23页 |
| 2.4.1 天气预报发展历史 | 第21-22页 |
| 2.4.2 要素预报 | 第22页 |
| 2.4.3 现代天气预报步骤 | 第22-23页 |
| 2.5 天气状态对地表辐射度的影响 | 第23页 |
| 2.6 天气类型识别模型 | 第23-24页 |
| 2.7 相似时段模型 | 第24-26页 |
| 2.7.1 相似日与相似时段 | 第24页 |
| 2.7.2 历史数据的分段处理 | 第24-25页 |
| 2.7.3 相似度指标 | 第25页 |
| 2.7.4 相似时段的计算步骤 | 第25-26页 |
| 2.8 本章小结 | 第26-27页 |
| 3 基于Elman神经网络的光伏发电输出功率超短期预测方法 | 第27-38页 |
| 3.1 人工神经网络 | 第27页 |
| 3.1.1 人工神经网络简介 | 第27页 |
| 3.1.2 人工神经网络分类 | 第27页 |
| 3.2 Elman神经网络简介 | 第27-28页 |
| 3.3 Elman神经网络学习过程 | 第28-29页 |
| 3.4 模型结构选择与参数优化 | 第29页 |
| 3.5 模型使用 | 第29-30页 |
| 3.6 模型测试 | 第30-37页 |
| 3.6.1 单一天气状态下的模型测试 | 第30-33页 |
| 3.6.2 复杂天气状态下的模型测试 | 第33-37页 |
| 3.7 本章小结 | 第37-38页 |
| 4 基于辐照度计算的光伏发电输出功率超短期预测方法 | 第38-50页 |
| 4.1 地外辐照度的影响因素 | 第38-39页 |
| 4.1.1 天文辐射的时空变化特点 | 第38页 |
| 4.1.2 大气逆辐射 | 第38-39页 |
| 4.2 地外辐照度的计算方法 | 第39-40页 |
| 4.3 由地外辐照度计算光伏电站输出功率的方法 | 第40-42页 |
| 4.4 模型检验 | 第42-49页 |
| 4.4.1 单一天气状态下的模型测试 | 第42-45页 |
| 4.4.2 复杂天气状态下的模型测试 | 第45-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录 | 第56页 |