| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 选题的研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 云计算研究现状 | 第11-12页 |
| 1.4 论文的主要内容和组织安排 | 第12-14页 |
| 第2章 相关技术 | 第14-23页 |
| 2.1 云计算技术 | 第14-18页 |
| 2.1.1 Hadoop分布式文件系统(HDFS) | 第14-15页 |
| 2.1.2 YARN资源管理框架 | 第15-16页 |
| 2.1.3 Spark云计算技术 | 第16-18页 |
| 2.2 烟花算法 | 第18-22页 |
| 2.2.1 烟花算法模型 | 第18-19页 |
| 2.2.2 烟花算法实现原理 | 第19-21页 |
| 2.2.3 烟花算法特点 | 第21-22页 |
| 2.2.4 自适应烟花算法 | 第22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于相似日聚类的AFWA-RBFNN模型与算法设计 | 第23-36页 |
| 3.1 影响光伏发电因素 | 第23页 |
| 3.2 相似日聚类 | 第23-24页 |
| 3.3 神经网络 | 第24-26页 |
| 3.3.1 径向基函数神经网络 | 第24-25页 |
| 3.3.2 径向基函数神经网络的不足 | 第25-26页 |
| 3.4 短期光伏发电功率预测模型的构建 | 第26-31页 |
| 3.4.1 模型输入变量分析 | 第26页 |
| 3.4.2 预测模型整体架构设计 | 第26-28页 |
| 3.4.3 相似日样本FCM聚类 | 第28页 |
| 3.4.4 RBFNN模型设计 | 第28-29页 |
| 3.4.5 RBFNN训练与参数寻优 | 第29-31页 |
| 3.4.6 待预测日分类与预测 | 第31页 |
| 3.5 短期光伏发电功率预测算法设计 | 第31-35页 |
| 3.5.1 相似日聚类伪码描述 | 第31-32页 |
| 3.5.2 AFWA优化RBFNN参数的伪码描述 | 第32-34页 |
| 3.5.3 待预测日分类与预测伪码描述 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 S-AFWA-RBFNN光伏发电并行算法设计 | 第36-43页 |
| 4.1 AFWA-RBFNN算法的不足 | 第36页 |
| 4.2 AFWA-RBFNN并行化 | 第36-37页 |
| 4.3 Spark云平台预测算法设计 | 第37-41页 |
| 4.3.1 Spark云平台并行化 | 第37-38页 |
| 4.3.2 Spark的RDD数据集操作 | 第38-39页 |
| 4.3.3 S-AFWA-RBFNN光伏预测算法设计 | 第39-41页 |
| 4.4 本章小结 | 第41-43页 |
| 第5章 实验与分析 | 第43-50页 |
| 5.1 数据处理与评价指标 | 第43-44页 |
| 5.2 单机环境下实验 | 第44-46页 |
| 5.2.1 RBFNN模型训练 | 第44-45页 |
| 5.2.2 预测结果与分析 | 第45-46页 |
| 5.3 Spark并行环境下实验 | 第46-49页 |
| 5.3.1 Spark分布式配置实现 | 第47-48页 |
| 5.3.2 实验结果分析 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第6章 结论与展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第55-56页 |
| 致谢 | 第56页 |
