首页--工业技术论文--电工技术论文--发电、发电厂论文--各种发电论文--太阳能发电论文

基于相似日和小波神经网络的光伏短期功率预测

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

论文共62页,点击 下载论文
上一篇:LLC谐振变换器在航空二次电源中的应用研究
下一篇:负荷频率特性及建模方法研究