| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于数值天气预报的光伏出力预测物理建模方法 | 第12页 |
| 1.2.2 基于统计观点的光伏出力预测方法 | 第12-14页 |
| 1.2.3 光伏出力组合预测方法及其他预测方法 | 第14页 |
| 1.3 现有研究存在的不足 | 第14-16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 第二章 分布式光伏出力轨迹特征的动态匹配技术 | 第18-31页 |
| 2.1 分布式光伏发电概述 | 第18-20页 |
| 2.1.1 分布式光伏发电原理 | 第18-19页 |
| 2.1.2 光伏发电运行监控与预测系统 | 第19-20页 |
| 2.2 分布式光伏出力轨迹特征 | 第20-24页 |
| 2.2.1 时序相关性及时序相关预测方法原理 | 第21-22页 |
| 2.2.2 空间相关性及空间相关预测方法原理 | 第22-23页 |
| 2.2.3 空间相关与时序相关总结 | 第23-24页 |
| 2.3 基于层次聚类算法的轨迹相关特征匹配 | 第24-28页 |
| 2.3.1 层次聚类原理 | 第24-25页 |
| 2.3.2 基于层次聚类算法的轨迹相关特征匹配流程 | 第25-28页 |
| 2.4 仿真算例 | 第28-30页 |
| 2.4.1 实验数据介绍 | 第28页 |
| 2.4.2 时序相关匹配 | 第28-29页 |
| 2.4.3 空间相关匹配 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于轨迹空间相关特征的分布式光伏主从预测方法 | 第31-40页 |
| 3.1 基于空间相关性的主从预测技术研究框架 | 第31-32页 |
| 3.2 基于BP-人工神经网络的主站预测方法 | 第32-34页 |
| 3.2.1 BP-人工神经网络原理 | 第32-33页 |
| 3.2.2 基于BP-人工神经网络的主站预测过程 | 第33-34页 |
| 3.3 基于轨迹空间相关特征的从站预测方法 | 第34-36页 |
| 3.4 仿真算例 | 第36-39页 |
| 3.4.1 主站的超短期预测 | 第36-37页 |
| 3.4.2 从站的超短期预测 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 影响分布式光伏主从预测方法的关键因素研究 | 第40-51页 |
| 4.1 基于空间相关的主从预测系统的关键影响因素研究 | 第40-48页 |
| 4.1.1 时空延迟特性对空间匹配的影响 | 第40-42页 |
| 4.1.2 动态空间匹配与静态空间匹配的预测效果 | 第42-43页 |
| 4.1.3 选取不同参考光伏电站对预测效果的影响 | 第43-45页 |
| 4.1.4 聚类阈值对空间相关匹配的影响 | 第45-47页 |
| 4.1.5 日前匹配天数对空间相关匹配的影响 | 第47-48页 |
| 4.2 基于空间相关的分布式光伏预测改进算例 | 第48-50页 |
| 4.2.1 示例从站的超短期预测 | 第48-49页 |
| 4.2.2 从站超短期预测的统计误差分析 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 结论与展望 | 第51-53页 |
| 5.1 论文总结 | 第51-52页 |
| 5.2 工作展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 作者在攻读硕士学位期间科研成果 | 第60页 |
