人工智能方法在光伏发电功率预测中的应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-13页 |
| ·课题研究背景及意义 | 第9页 |
| ·国内外研究现状 | 第9-11页 |
| ·论文研究的主要内容 | 第11-13页 |
| 第2章 主要影响因素及样本筛选的研究 | 第13-19页 |
| ·光伏发电功率主要影响因素 | 第13-14页 |
| ·数据相关性分析 | 第14-16页 |
| ·相关系数的概念 | 第14页 |
| ·太阳辐射强度与各主要因素的相关性分析 | 第14-15页 |
| ·发电功率与各主要因素的相关性分析 | 第15-16页 |
| ·灰色关联度分析筛选样本数据 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 第3章 神经网络在光伏发电功率预测中的应用研究 | 第19-35页 |
| ·人工神经网络 | 第19-21页 |
| ·人工神经网络概述 | 第19页 |
| ·人工神经网络原理 | 第19-21页 |
| ·BP神经网络 | 第21-24页 |
| ·BP神经网络概述 | 第21-22页 |
| ·BP神经网络算法原理 | 第22-24页 |
| ·BP神经网络在光伏发电功率预测中的应用 | 第24-26页 |
| ·预测模型的建立 | 第24-25页 |
| ·样本的选择和预处理 | 第25-26页 |
| ·预测模型的评估 | 第26页 |
| ·仿真结果分析 | 第26-33页 |
| ·直接预测结果分析 | 第26-29页 |
| ·间接预测结果分析 | 第29-32页 |
| ·太阳辐射强度预测结果分析 | 第29-30页 |
| ·发电功率预测结果分析 | 第30-32页 |
| ·多步预测结果分析 | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 第4章 支持向量机在光伏发电功率预测中的应用研究 | 第35-44页 |
| ·统计学习的基本概念 | 第35-37页 |
| ·VC维 | 第35页 |
| ·推广性的界 | 第35-36页 |
| ·结构风险最小化原则 | 第36-37页 |
| ·支持向量机理论 | 第37-40页 |
| ·支持向量回归机 | 第37-39页 |
| ·核函数 | 第39-40页 |
| ·参数优化 | 第40-41页 |
| ·基于支持向量机的光伏发电功率预测 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 第5章 光伏发电功率预测的实现 | 第44-55页 |
| ·实现环境与工具 | 第44页 |
| ·数据层实现 | 第44-45页 |
| ·功能实现 | 第45-51页 |
| ·界面展示 | 第51-53页 |
| ·本章小结 | 第53-55页 |
| 第6章 总结与展望 | 第55-57页 |
| ·研究成果总结 | 第55页 |
| ·未来工作展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间发表的学术论文及其他成果 | 第60-61页 |
| 致谢 | 第61页 |
