基于空气质量下LSTM神经网络光伏发电功率预测研究
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题研究背景 | 第9-11页 |
| 1.2 课题研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.4 本论文主要研究内容 | 第14-17页 |
| 2 光伏发电预测的基础理论 | 第17-25页 |
| 2.1 光伏发电原理概述 | 第17页 |
| 2.2 光伏发电系统的分类及组成 | 第17-18页 |
| 2.3 光伏发电功率特性曲线及影响因素分析 | 第18-24页 |
| 2.3.1 太阳辐射度对发电功率的影响 | 第18页 |
| 2.3.2 温度对发电功率的影响 | 第18-20页 |
| 2.3.3 湿度对发电功率的影响 | 第20-21页 |
| 2.3.4 空气质量对发电功率的影响 | 第21-22页 |
| 2.3.5 天气类型对发电功率的影响 | 第22-23页 |
| 2.3.6 其他因素对发电功率的影响 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于LSTM神经网络的光伏发电功率短期预测 | 第25-33页 |
| 3.1 递归神经网络 | 第25-28页 |
| 3.1.1 递归神经网络基本结构 | 第25-26页 |
| 3.1.2 RNN神经网络训练过程 | 第26-27页 |
| 3.1.3 RNN神经网络预测模型建立 | 第27-28页 |
| 3.2 LSTM神经网络 | 第28-32页 |
| 3.2.1 LSTM神经网络基本理论 | 第28-29页 |
| 3.2.2 LSTM神经网络基本结构 | 第29页 |
| 3.2.3 LSTM神经网络算法训练过程 | 第29-30页 |
| 3.2.4 LSTM神经网络预测模型建立 | 第30-32页 |
| 3.3 本章小结 | 第32-33页 |
| 4 基于综合相似日下LSTM神经网络预测模型 | 第33-41页 |
| 4.1 样本数据获取 | 第33-34页 |
| 4.2 气象相关性的相似日选取 | 第34-37页 |
| 4.2.1 相似日算法概述 | 第34页 |
| 4.2.2 天气类型量化 | 第34-36页 |
| 4.2.3 基于灰色关联度选取气象相似日 | 第36-37页 |
| 4.3 综合相似日的选取 | 第37-38页 |
| 4.3.1 发电功率关联度 | 第37-38页 |
| 4.3.2 定义综合相似日 | 第38页 |
| 4.4 预测模型的建立 | 第38-40页 |
| 4.5 本章小结 | 第40-41页 |
| 5 基于空间相似度的LSTM神经网络预测 | 第41-51页 |
| 5.1 光伏电池板衰减度 | 第41-42页 |
| 5.2 空间关联性 | 第42页 |
| 5.3 基于空间数据分析下光伏电站相关性 | 第42-43页 |
| 5.4 模糊聚类法 | 第43-44页 |
| 5.4.1 聚类算法定义 | 第43-44页 |
| 5.4.2 聚类算法的分类 | 第44页 |
| 5.5 FCM聚类算法及改进 | 第44-49页 |
| 5.5.1 传统FCM聚类法 | 第44-46页 |
| 5.5.2 改进的FCM聚类算法 | 第46-49页 |
| 5.6 预测模型的建立 | 第49-50页 |
| 5.7 本章小结 | 第50-51页 |
| 6 算例分析 | 第51-65页 |
| 6.1 预测数据选取 | 第51-52页 |
| 6.2 预测结果分析 | 第52-62页 |
| 6.2.1 晴天预测结果 | 第52-54页 |
| 6.2.2 多云预测结果 | 第54-57页 |
| 6.2.3 雾霾天气预测结果 | 第57-60页 |
| 6.2.4 阴天预测结果 | 第60-62页 |
| 6.3 预测模型评估 | 第62-64页 |
| 6.4 本章小结 | 第64-65页 |
| 7 总结与展望 | 第65-67页 |
| 7.1 总结 | 第65-66页 |
| 7.2 展望 | 第66-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间所发表的论文及其他研究成果 | 第73页 |
