| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状与前景 | 第11-15页 |
| 1.2.1 微电网研究现状 | 第11-12页 |
| 1.2.2 储能技术研究现状 | 第12-14页 |
| 1.2.3 微电网HESS系统功率控制研究现状 | 第14-15页 |
| 1.3 本文所做的研究工作 | 第15-17页 |
| 第二章 微电网分布式电源输出功率特性分析 | 第17-25页 |
| 2.1 风力发电系统 | 第17-20页 |
| 2.1.1 风电场风速特性分析 | 第17-18页 |
| 2.1.2 风力发电机特性分析 | 第18-20页 |
| 2.2 光伏发电系统 | 第20-23页 |
| 2.2.1 光伏电池数学模型 | 第20-21页 |
| 2.2.2 光伏阵列输出特性分析 | 第21-23页 |
| 2.3 风光互补系统特性分析 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 微电网混合储能系统的建模 | 第25-35页 |
| 3.1 蓄电池的建模 | 第25-27页 |
| 3.2 超级电容器的建模 | 第27-28页 |
| 3.3 双向DC-DC功率变换器原理分析 | 第28-29页 |
| 3.4 蓄电池-超级电容器并联方式 | 第29-32页 |
| 3.4.1 完全被动方式 | 第30页 |
| 3.4.2 半主动方式 | 第30-31页 |
| 3.4.3 完全主动方式 | 第31-32页 |
| 3.5 微电网混合储能系统的数学模型 | 第32-33页 |
| 3.6 本章小结 | 第33-35页 |
| 第四章 基于BP神经网络的HESS系统荷电状态估计 | 第35-44页 |
| 4.1 人工神经网络的基本原理 | 第35-37页 |
| 4.1.1 神经元模型 | 第35-36页 |
| 4.1.2 神经元连接方式 | 第36-37页 |
| 4.2 神经网络的学习算法理论 | 第37-40页 |
| 4.2.1 梯度最速下降算法 | 第37-38页 |
| 4.2.2 学习率可调整的BP算法 | 第38-39页 |
| 4.2.3 增强型学习率自适应算法 | 第39-40页 |
| 4.3 BP神经网络的荷电状态估计效果分析 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 微电网HESS系统功率分配协调控制 | 第44-56页 |
| 5.1 基于功率频率的HESS系统功率指令初级分配方法 | 第44-48页 |
| 5.1.1 一阶低通滤波方法 | 第44-45页 |
| 5.1.2 小波包分解方法 | 第45-47页 |
| 5.1.3 滑动平均滤波方法 | 第47-48页 |
| 5.2 基于储能元件荷电状态的HESS系统功率协调控制方法 | 第48-50页 |
| 5.3 仿真算例 | 第50-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结和展望 | 第56-58页 |
| 6.1 总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间主要的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
