| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 光伏发电研究现状 | 第13-14页 |
| 1.2.2 光伏阵列的MPPT研究现状 | 第14-15页 |
| 1.2.3 蓄电池研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本章小结 | 第17-19页 |
| 第二章 光伏发电系统和太阳能光伏电池 | 第19-27页 |
| 2.1 太阳能光伏发电系统 | 第19-21页 |
| 2.1.1 光伏发电系统特点及组成 | 第19-20页 |
| 2.1.2 光伏发电系统分类及应用 | 第20-21页 |
| 2.2 太阳能光伏电池 | 第21-25页 |
| 2.2.1 光伏电池分类 | 第21页 |
| 2.2.2 光伏发电的原理 | 第21-22页 |
| 2.2.3 光伏电池的等效模型 | 第22-25页 |
| 2.3 光伏阵列的输出特性分析 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 太阳能光伏阵列的最大功率点跟踪方法研究 | 第27-33页 |
| 3.1 最大功率点跟踪原理 | 第27页 |
| 3.2 最大功率点跟踪方法 | 第27-32页 |
| 3.2.1 恒电压控制法 | 第27-28页 |
| 3.2.2 扰动观察法 | 第28-29页 |
| 3.2.3 电导增量法 | 第29-30页 |
| 3.2.4 直线近似法 | 第30-31页 |
| 3.2.5 Fibonacci数列搜索法 | 第31页 |
| 3.2.6 基于状态空间的MPPT算法 | 第31页 |
| 3.2.7 并联功率补偿法 | 第31-32页 |
| 3.3 本章小结 | 第32-33页 |
| 第四章 神经网络在光伏发电最大功率点跟踪中的应用 | 第33-45页 |
| 4.1 人工神经网络概述 | 第33-35页 |
| 4.1.1 神经网络的结构模型 | 第33-34页 |
| 4.1.2 神经网络的分类 | 第34页 |
| 4.1.3 神经网络的性能参数 | 第34-35页 |
| 4.2 BP神经网络在光伏发电MPPT中的应用 | 第35-44页 |
| 4.2.1 BP神经网络的结构及原理 | 第35-37页 |
| 4.2.2 BP神经网络MPPT算法流程 | 第37-39页 |
| 4.2.3 BP神经网络模型建立 | 第39-40页 |
| 4.2.4 模型训练与仿真结果分析 | 第40-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第五章 基于混合优化的BP神经网络MPPT算法 | 第45-61页 |
| 5.1 粒子群优化BP算法 | 第45-50页 |
| 5.1.1 粒子群算法(PSO) | 第45-46页 |
| 5.1.2 PSO优化BP神经网络算法流程 | 第46-47页 |
| 5.1.3 PSO优化BP神经网络MPPT算法 | 第47-48页 |
| 5.1.4 模型训练与仿真结果分析 | 第48-50页 |
| 5.2 基于人工鱼群与自适应的粒子群算法优化BP神经网络 | 第50-59页 |
| 5.2.1 人工鱼群算法(AFSA) | 第50-51页 |
| 5.2.2 基于AFSA对PSO参数的改进 | 第51-52页 |
| 5.2.3 基于AFPSO优化BP神经网络算法流程 | 第52-53页 |
| 5.2.4 基于AFPSO优化BP神经网络MPPT算法 | 第53-56页 |
| 5.2.5 模型训练与仿真结果分析 | 第56-59页 |
| 5.3 本章小结 | 第59-61页 |
| 第六章 结论 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 作者简介 | 第67页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第67-69页 |
| 致谢 | 第69-70页 |
