基于改进神经网络的光伏发电短期功率预测
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.1.1 光伏发电发展应用前景 | 第11-12页 |
| 1.1.2 光伏功率出力预测意义 | 第12-13页 |
| 1.2 光伏功率出力预测技术类别 | 第13-14页 |
| 1.3 光伏功率预测研究现状 | 第14-17页 |
| 1.4 课题主要研究内容 | 第17-18页 |
| 第2章 光伏发电系统建模与控制策略研究 | 第18-35页 |
| 2.1 光伏发电基本原理 | 第18-20页 |
| 2.2 光伏并网系统数学模型 | 第20-23页 |
| 2.2.1 光伏阵列数学建模 | 第20-22页 |
| 2.2.2 光伏系统最大功率控制方式 | 第22-23页 |
| 2.3 光伏发电系统协调控制策略 | 第23-25页 |
| 2.3.1 并网控制策略 | 第23-24页 |
| 2.3.2 光伏发电逻辑控制结构 | 第24-25页 |
| 2.4 仿真结果分析 | 第25-30页 |
| 2.5 影响光伏功率出力的因素分析 | 第30-34页 |
| 2.5.1 日类型对光伏功率出力的影响 | 第30-32页 |
| 2.5.2 辐射强度对光伏功率出力的影响 | 第32-33页 |
| 2.5.3 温度对光伏功率出力的影响 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 光伏功率预测技术的模型原理分析 | 第35-44页 |
| 3.1 光伏发电功率单一预测模型 | 第35-39页 |
| 3.1.1 灰色理论预测模型 | 第35-36页 |
| 3.1.2 多元线性回归预测模型 | 第36-37页 |
| 3.1.3 最小二乘支持向量机算法模型 | 第37-38页 |
| 3.1.4 人工神经网络算法模型 | 第38-39页 |
| 3.2 光伏发电功率组合预测模型 | 第39-42页 |
| 3.2.1 非最优组合预测模型 | 第39-40页 |
| 3.2.2 基于相关性指标最优组合预测模型 | 第40-42页 |
| 3.3 光伏发电功率预测评价指标 | 第42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 基于改进神经网络的光伏发电短期功率预测 | 第44-64页 |
| 4.1 发电功率与气象参数预处理 | 第44-49页 |
| 4.1.1 数据规范化处理 | 第44-46页 |
| 4.1.2 异常数据剔除 | 第46-48页 |
| 4.1.3 缺失数据修正 | 第48-49页 |
| 4.2 神经网络算法改进及功率预测步骤 | 第49-55页 |
| 4.2.1 基本神经网络算法 | 第49-50页 |
| 4.2.2 粒子群优化算法 | 第50-51页 |
| 4.2.3 改进的神经网络算法 | 第51-53页 |
| 4.2.4 光伏短期功率预测步骤 | 第53-55页 |
| 4.3 算例分析 | 第55-63页 |
| 4.3.1 模拟仿真算例 | 第55-58页 |
| 4.3.2 实际算例 | 第58-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第5章 结论及展望 | 第64-66页 |
| 5.1 课题结论 | 第64页 |
| 5.2 课题展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 附录 | 第69-73页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第73-74页 |
| 致谢 | 第74页 |
