| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 光伏功率预测国内外研究现状 | 第10-13页 |
| 1.3 论文研究内容 | 第13-17页 |
| 1.3.1 研究内容 | 第13页 |
| 1.3.2 研究方案 | 第13-14页 |
| 1.3.3 技术路线 | 第14-15页 |
| 1.3.4 本文创新点 | 第15页 |
| 1.3.5 论文结构 | 第15-17页 |
| 第二章 光伏功率特性和影响因素分析 | 第17-26页 |
| 2.1 光伏发电的功率特性 | 第17-20页 |
| 2.1.1 光伏发电系统组成和原理 | 第17-18页 |
| 2.1.2 光伏阵列的特性分析 | 第18-20页 |
| 2.2 光伏功率预测影响因素分析 | 第20-25页 |
| 2.2.1 灰色关联分析 | 第20-23页 |
| 2.2.2 回归分析 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 机器学习方法及原理介绍 | 第26-35页 |
| 3.1 灰色模型理论 | 第26-27页 |
| 3.2 机器学习方法 | 第27-32页 |
| 3.2.1 BP神经网络方法及原理 | 第27-29页 |
| 3.2.2 SVM方法及原理 | 第29-31页 |
| 3.2.3 通用向量机方法及原理 | 第31-32页 |
| 3.3 粒子群优化算法 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于粒子群优化算法的混合模型短期光伏功率预测 | 第35-54页 |
| 4.1 实验方案 | 第35页 |
| 4.2 数据源与实验环境 | 第35-36页 |
| 4.2.1 数据描述 | 第35-36页 |
| 4.2.2 实验环境 | 第36页 |
| 4.3 单一模型对光伏功率预测 | 第36-43页 |
| 4.3.1 GM对光伏功率预测 | 第36-38页 |
| 4.3.2 光伏功率预测的机器学习方法 | 第38-40页 |
| 4.3.3 机器学习方法实验分析 | 第40-43页 |
| 4.4 GM-ML混合模型对光伏功率预测 | 第43-45页 |
| 4.4.1 GM-ML对光伏功率预测实现 | 第43页 |
| 4.4.2 实验结果分析 | 第43-45页 |
| 4.5 PSO-GM-ML优化模型对光伏功率预测 | 第45-49页 |
| 4.5.1 PSO-GM-BP | 第47页 |
| 4.5.2 PSO-GM-SVM | 第47-48页 |
| 4.5.3 PSO-GM-GVM | 第48-49页 |
| 4.6 预测模型结果对比 | 第49-53页 |
| 4.7 本章小节 | 第53-54页 |
| 第五章 模型输入的不确定性分析 | 第54-60页 |
| 5.1 Sobol算法介绍 | 第54-56页 |
| 5.2 模型输入的不确定性分析及数值实验 | 第56-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第六章 总结和展望 | 第60-62页 |
| 6.1 论文总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 在学期间的研究成果 | 第65-66页 |
| 致谢 | 第66页 |