| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8页 |
| 1.2 光伏出力预测理论和技术的发展历程 | 第8-9页 |
| 1.3 国内外光伏功率预测研究现状 | 第9-11页 |
| 1.3.1 国外研究现状 | 第9-10页 |
| 1.3.2 国内研究现状 | 第10-11页 |
| 1.4 本文主要研究内容 | 第11-14页 |
| 2 光伏发电的基本原理及输出功率影响因子分析 | 第14-24页 |
| 2.1 光伏发电的基本原理及数学模型 | 第14-16页 |
| 2.1.1 光伏电池发电原理 | 第14页 |
| 2.1.2 光伏电池的数学模型 | 第14-16页 |
| 2.2 光伏发电系统的组成和分类 | 第16-19页 |
| 2.2.1 光伏发电系统的组成 | 第16-17页 |
| 2.2.2 光伏发电系统的类别 | 第17-19页 |
| 2.3 光伏发电功率特性分析及影响因素 | 第19-22页 |
| 2.4 本章小结 | 第22-24页 |
| 3 基于小波神经网络的光伏电站短期功率预测 | 第24-38页 |
| 3.1 BP神经网络 | 第24-28页 |
| 3.1.1 BP神经网络的基本结构 | 第24-26页 |
| 3.1.2 BP网络的学习算法 | 第26-27页 |
| 3.1.3 BP神经网络的训练 | 第27-28页 |
| 3.2 基于BP神经网络的预测模型建立 | 第28-29页 |
| 3.3 小波分析 | 第29-32页 |
| 3.3.1 小波分析基本理论 | 第30-31页 |
| 3.3.2 小波基函数的选择 | 第31-32页 |
| 3.4 小波神经网络 | 第32-36页 |
| 3.4.1 小波神经网络的特点 | 第34-35页 |
| 3.4.2 基于小波神经网络预测模型的建立 | 第35-36页 |
| 3.5 样本数据的预处理 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 基于相似日和小波神经网络的光伏短期功率预测 | 第38-44页 |
| 4.1 相似日算法概述及模式识别理论基础 | 第38页 |
| 4.2 基于气象因素的相似日选取方法 | 第38-41页 |
| 4.2.1 相似度特征量的选取 | 第38-39页 |
| 4.2.2 基于灰色关联分析的相似日选取方法 | 第39-41页 |
| 4.3 基于相似日和小波神经网络光伏功率预测模型的建立 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 5 预测结果分析与评估 | 第44-54页 |
| 5.1 数据的分析及选取 | 第44页 |
| 5.2 预测结果分析 | 第44-52页 |
| 5.2.1 晴天下的预测结果 | 第45-47页 |
| 5.2.2 多云天气下的预测结果 | 第47-49页 |
| 5.2.3 阴天天气下的预测结果 | 第49-52页 |
| 5.3 预测模型评估 | 第52-53页 |
| 5.4 本章小结 | 第53-54页 |
| 6 结论与展望 | 第54-56页 |
| 6.1 结论 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文 | 第62页 |