| 摘要 | 第10-11页 |
| Abstract | 第11页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-15页 |
| 1.1.1 我国光伏产业背景及相关政策 | 第12页 |
| 1.1.2 辽宁省光伏发电发展情况及“十三五”规划 | 第12-13页 |
| 1.1.3 分布式光伏系统发电的特点及优势 | 第13-14页 |
| 1.1.4 研究意义 | 第14-15页 |
| 1.2 应用与研究现状 | 第15-18页 |
| 1.2.1 全球分布式光伏发电应用现状 | 第15-16页 |
| 1.2.2 我国分布式光伏发电应用现状 | 第16-17页 |
| 1.2.3 光伏系统发电功率预测研究现状 | 第17-18页 |
| 1.3 本文研究内容 | 第18-20页 |
| 第二章 分布式光伏发电系统组成及原理 | 第20-29页 |
| 2.1 系统总体结构 | 第20页 |
| 2.2 光伏组件 | 第20-24页 |
| 2.2.1 太阳能电池板 | 第20-22页 |
| 2.2.2 太阳电池方阵 | 第22页 |
| 2.2.3 最大功率跟踪控制 | 第22-24页 |
| 2.3 DC-DC交换器 | 第24-25页 |
| 2.4 逆变器 | 第25-27页 |
| 2.5 控制器 | 第27-28页 |
| 2.6 蓄电池 | 第28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 基于太阳辐射照度的光伏系统确定性出力模型 | 第29-44页 |
| 3.1 我国太阳能资源分布情况 | 第29-32页 |
| 3.1.1 全国太阳能资源及分区 | 第29-30页 |
| 3.1.2 辽宁省太阳能资源状况 | 第30-32页 |
| 3.2 太阳辐射照度模型 | 第32-38页 |
| 3.2.1 地球大气层上界太阳辐射能 | 第32-35页 |
| 3.2.2 太阳赤纬角 | 第35页 |
| 3.2.3 太阳时角 | 第35页 |
| 3.2.4 太阳高度角 | 第35-36页 |
| 3.2.5 大气质量 | 第36页 |
| 3.2.6 大气透明度 | 第36-37页 |
| 3.2.7 光伏组件接受太阳辐射照度计算 | 第37-38页 |
| 3.3 基于太阳辐射照度的光伏系统确定性出力模型 | 第38-39页 |
| 3.4 算例分析 | 第39-42页 |
| 3.4.1 沈阳农业大学光伏示范电站 | 第39-40页 |
| 3.4.2 模型精度 | 第40-41页 |
| 3.4.3 模型计算分析 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 遮挡因子表征的分布式光伏系统出力随机特性分析 | 第44-54页 |
| 4.1 光伏出力遮挡因子 | 第44-45页 |
| 4.2 遮挡因子概率密度及时间分布特性分析 | 第45-48页 |
| 4.2.1 遮挡因子的概率密度 | 第46-47页 |
| 4.2.2 遮挡因子的时间特性 | 第47-48页 |
| 4.3 遮挡因子不同温度与风速下随机特性分析 | 第48-50页 |
| 4.4 遮挡因子不同天气类型下随机特性分析 | 第50-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 基于BP神经网络的分布式光伏系统短期出力预测 | 第54-68页 |
| 5.1 BP神经网络算法 | 第54页 |
| 5.2 预测模型设计 | 第54-58页 |
| 5.2.1 输入层 | 第55-56页 |
| 5.2.2 隐含层 | 第56-57页 |
| 5.2.3 输出层 | 第57页 |
| 5.2.4 数据归一化处理 | 第57-58页 |
| 5.3 模型训练 | 第58-61页 |
| 5.3.1 BP网络学习算法 | 第58-59页 |
| 5.3.2 优化的BP网络学习算法 | 第59-61页 |
| 5.3.3 模型训练 | 第61页 |
| 5.4 预测模型结果分析及评估 | 第61-67页 |
| 5.4.1 算例分析 | 第61-65页 |
| 5.4.2 模型评估 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 结论与展望 | 第68-70页 |
| 6.1 本文总结 | 第68页 |
| 6.2 工作展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间发表的学术论文 | 第74页 |
