| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-15页 |
| 1.2.1 深度学习技术的国内外研究现状 | 第9-11页 |
| 1.2.2 短时强降水天气识别与预报技术国内外研究现状 | 第11-13页 |
| 1.2.3 光伏发电量预测技术国内外研究现状 | 第13-15页 |
| 1.3 本文主要工作与创新点 | 第15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 第2章 深度学习方法 | 第18-30页 |
| 2.1 引言 | 第18-19页 |
| 2.2 典型的深度学习模型 | 第19-28页 |
| 2.2.1 深度置信网络 | 第19-24页 |
| 2.2.2 自编码网络模型 | 第24-25页 |
| 2.2.3 卷积神经网络 | 第25-26页 |
| 2.2.4 循环神经网络 | 第26-28页 |
| 2.3 小结 | 第28-30页 |
| 第3章 短时强降水天气识别与预报 | 第30-46页 |
| 3.1 引言 | 第30页 |
| 3.2 地面气象观测数据资料 | 第30-37页 |
| 3.2.1 原始数据 | 第30-32页 |
| 3.2.2 物理量参数计算 | 第32-34页 |
| 3.2.3 样本可视化 | 第34-35页 |
| 3.2.4 特征维数 | 第35页 |
| 3.2.5 SMOTE算法 | 第35-37页 |
| 3.3 建立短时强降水识别和预报模型 | 第37-40页 |
| 3.3.1 数据集的选取 | 第37-38页 |
| 3.3.2 DBNs短时强降水识别与预报模型建立 | 第38-39页 |
| 3.3.3 评价指标 | 第39页 |
| 3.3.4 识别结果与分析 | 第39-40页 |
| 3.3.5 预报结果与分析 | 第40页 |
| 3.4 建立降水量等级识别与预报 | 第40-43页 |
| 3.4.1 数据集的选取 | 第40-41页 |
| 3.4.2 DBNs降水量等级识别与预报模型建立 | 第41-42页 |
| 3.4.3 识别结果与分析 | 第42-43页 |
| 3.5 小结 | 第43-46页 |
| 第4章 光伏超短期功率预测 | 第46-54页 |
| 4.1 引言 | 第46页 |
| 4.2 光伏功率数据资料 | 第46-47页 |
| 4.2.1 原始数据 | 第46-47页 |
| 4.2.2 数据集的划分 | 第47页 |
| 4.3 光伏超短期功率预测实验仿真 | 第47-51页 |
| 4.3.1 光伏面板发电功率预测模型 | 第47-48页 |
| 4.3.2 评价指标 | 第48页 |
| 4.3.3 仿真实验结果及分析 | 第48-51页 |
| 4.4 小结 | 第51-54页 |
| 第5章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-62页 |
| 发表论文和参加科研情况说明 | 第62-64页 |
| 已发表的论文 | 第62页 |
| 在投的论文 | 第62页 |
| 参与的科研项目 | 第62-64页 |
| 致谢 | 第64页 |