短期光伏功率预测及其在电力系统中的优化研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 光伏功率预测研究现状 | 第12-14页 |
| 1.2.2 含光伏系统的电力系统优化研究现状 | 第14-15页 |
| 1.3 本文主要工作 | 第15-17页 |
| 第2章 光伏系统原理及特性分析 | 第17-30页 |
| 2.1 光伏电池模型及最大功率点跟踪 | 第17-24页 |
| 2.1.1 光伏电池工作原理 | 第17页 |
| 2.1.2 光伏电池数学模型 | 第17-19页 |
| 2.1.3 光伏电池仿真模型 | 第19-20页 |
| 2.1.4 光伏电池输出特性 | 第20-22页 |
| 2.1.5 最大功率点跟踪技术 | 第22-24页 |
| 2.2 光伏系统组成及特性 | 第24-26页 |
| 2.2.1 光伏系统基本组成 | 第24-25页 |
| 2.2.2 光伏系统输出特性 | 第25-26页 |
| 2.3 光伏系统运行方式 | 第26-29页 |
| 2.3.1 离网型光伏发电系统 | 第26-27页 |
| 2.3.2 并网型光伏发电系统 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 短期光伏功率预测方法 | 第30-44页 |
| 3.1 光伏系统功率预测模型 | 第30-31页 |
| 3.1.1 光伏系统功率修正系数 | 第30-31页 |
| 3.1.2 光伏系统功率模型 | 第31页 |
| 3.2 反向传播神经网络算法 | 第31-34页 |
| 3.2.1 反向传播神经网络算法原理 | 第32-33页 |
| 3.2.2 反向传播神经网络误差的产生与定义 | 第33-34页 |
| 3.3 改进反向传播神经网络算法 | 第34-36页 |
| 3.3.1 归一化与反归一化 | 第34-35页 |
| 3.3.2 引入自适应调节学习速率 | 第35页 |
| 3.3.3 引入陡度因子 | 第35-36页 |
| 3.3.4 改进反向传播神经网络算法步骤流程 | 第36页 |
| 3.4 算例分析 | 第36-42页 |
| 3.4.1 太阳辐照度预测 | 第36-41页 |
| 3.4.2 光伏系统功率预测 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 基于光伏功率预测的电力系统优化研究 | 第44-65页 |
| 4.1 双目标优化模型 | 第44-47页 |
| 4.1.1 双目标优化目标函数 | 第45-46页 |
| 4.1.2 双目标优化约束条件 | 第46-47页 |
| 4.2 双目标优化算法 | 第47-53页 |
| 4.2.1 基本细菌群体趋药性算法 | 第47-50页 |
| 4.2.2 改进细菌群体趋药性算法 | 第50-53页 |
| 4.3 不同条件对优化结果的影响分析 | 第53-61页 |
| 4.3.1 目标个数对优化结果的影响分析 | 第54-56页 |
| 4.3.2 算法对优化结果的影响分析 | 第56-58页 |
| 4.3.3 光伏功率对优化结果的影响分析 | 第58-59页 |
| 4.3.4 光伏渗透率对优化结果的影响分析 | 第59-61页 |
| 4.4 电力系统优化结果分析 | 第61-64页 |
| 4.5 本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 读硕士学位期间承担的科研任务与主要成果 | 第71-72页 |
| 致谢 | 第72页 |
