基于神经网络的分布式光伏电站短期功率预测
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第14-26页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-23页 |
| 1.2.1 经典预测法 | 第20-22页 |
| 1.2.2 现在预测法 | 第22-23页 |
| 1.3 本文的主要研究内容 | 第23-26页 |
| 2 光伏电池及其发电系统 | 第26-36页 |
| 2.1 分布式太阳能电站 | 第26-27页 |
| 2.1.1 分布式太阳能电站的概念 | 第26页 |
| 2.1.2 分布式太阳能电站的特点 | 第26页 |
| 2.1.3 分布式太阳能电站的现状 | 第26-27页 |
| 2.2 光伏电池 | 第27-30页 |
| 2.2.1 光伏电池的基本结构 | 第27-28页 |
| 2.2.2 光伏电池的工作原理 | 第28页 |
| 2.2.3 光伏电池的发展及分类 | 第28-30页 |
| 2.3 光伏发电系统 | 第30-33页 |
| 2.3.1 光伏发电系统的组成 | 第30-31页 |
| 2.3.2 光伏发电系统的分类 | 第31-33页 |
| 2.4 光伏系统发电功率分析 | 第33-34页 |
| 2.5 影响光伏发电短期功率的主要因素 | 第34-36页 |
| 3 光伏发电功率预测的分类 | 第36-42页 |
| 3.1 基于太阳辐射的短期功率预测 | 第36-38页 |
| 3.1.1 概述 | 第36页 |
| 3.1.2 短期预测公式 | 第36-37页 |
| 3.1.3 短期功率预测步骤 | 第37-38页 |
| 3.2 基于历史数据的短期功率预测 | 第38-39页 |
| 3.2.1 概述 | 第38-39页 |
| 3.2.2 基于太阳辐射强度的间接预测方法 | 第39页 |
| 3.3 基于灰色理论的短期功率预测 | 第39-42页 |
| 3.3.1 概述 | 第39-40页 |
| 3.3.2 灰色模型GM(1,1) | 第40-42页 |
| 4 神经网络算法 | 第42-52页 |
| 4.1 神经网络的理论基础 | 第42-43页 |
| 4.1.1 神经网络的优点 | 第42页 |
| 4.1.2 神经网络的结构 | 第42-43页 |
| 4.2 人工神经网 | 第43-45页 |
| 4.3 BP神经网络 | 第45-48页 |
| 4.3.1 BP神经网络的原理和算法 | 第45页 |
| 4.3.2 BP神经网络的标准学习算法 | 第45-48页 |
| 4.4 传统的BP算法 | 第48-49页 |
| 4.5 改进的BP算法 | 第49-52页 |
| 5 基于BP神经网络的短期功率预测研究 | 第52-64页 |
| 5.1 光伏系统发电功率特性 | 第52-56页 |
| 5.1.1 光照强度对光伏系统发电功率的影响 | 第52-53页 |
| 5.1.2 日照类型的影响 | 第53-54页 |
| 5.1.3 温度的影响 | 第54-56页 |
| 5.2 预测模型的设计 | 第56-59页 |
| 5.2.1 按季节建立子模型 | 第56页 |
| 5.2.2 预测模型的结构 | 第56-57页 |
| 5.2.3 样本数据的预处理 | 第57-58页 |
| 5.2.4 预测模型的评估 | 第58-59页 |
| 5.3 BP神经网络功率预测 | 第59页 |
| 5.4 案例分析 | 第59-63页 |
| 5.5 本章小结 | 第63-64页 |
| 结论与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 作者简介及读研期间主要科研成果 | 第70页 |
