| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景及其意义 | 第8-9页 |
| 1.2 分布式发电系统短期发电预测研究现状 | 第9-13页 |
| 1.2.1 分布式发电系统短期发电预测国内研究现状 | 第9-11页 |
| 1.2.2 分布式发电系统短期发电预测国外研究现状 | 第11-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 第二章 基于相空间重构及支持向量机的风力发电短期预测 | 第14-32页 |
| 2.1 相空间重构理论 | 第14-18页 |
| 2.1.1 相空间重构概述 | 第14-15页 |
| 2.1.2 互信息法和Cao算法 | 第15-17页 |
| 2.1.3 C-C算法 | 第17-18页 |
| 2.1.4 Lyapunov指数判定混沌属性 | 第18页 |
| 2.2 支持向量回归预测 | 第18-23页 |
| 2.2.1 机器学习 | 第18-19页 |
| 2.2.2 VC维理论与结构风险最小化原则 | 第19-21页 |
| 2.2.3 支持向量机（SVM）回归 | 第21-23页 |
| 2.3 基于相空间重构的支持向量机风电功率短期预测模型 | 第23-26页 |
| 2.4 算例分析 | 第26-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于环境因素及支持向量机的光伏发电短期预测 | 第32-46页 |
| 3.1 环境因素对光伏发电量的影响分析 | 第32-37页 |
| 3.1.1 光伏电池模型 | 第32-33页 |
| 3.1.2 天气类型对光伏发电的影响 | 第33-35页 |
| 3.1.3 温度对光伏发电功率的影响 | 第35-36页 |
| 3.1.4 光照强度对光伏发电功率的影响 | 第36-37页 |
| 3.2 基于天气类别划分的光伏发电系统出力预测方法 | 第37-42页 |
| 3.2.1 历史数据分类 | 第37-38页 |
| 3.2.2 光伏发电系统短期发电预测模型 | 第38-39页 |
| 3.2.3 基于遗传算法的预测模型改进 | 第39-42页 |
| 3.3 算例分析 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 分布式发电系统的短期发电区间预测 | 第46-56页 |
| 4.1 神经网络与粒子群算法 | 第46-50页 |
| 4.1.1 人工神经网络 | 第46-48页 |
| 4.1.2 粒子群优化算法 | 第48-50页 |
| 4.2 分布式发电系统发电功率区间预测模型 | 第50-53页 |
| 4.3 算例分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 结论与展望 | 第56-58页 |
| 5.1 结论 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 发表论文和参加科研情况说明 | 第62-63页 |
| 致谢 | 第63-64页 |
