摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第1章 绪论 | 第12-22页 |
1.1 课题背景与意义 | 第12-15页 |
1.1.1 课题研究的背景 | 第12-14页 |
1.1.2 课题研究的意义 | 第14-15页 |
1.2 光伏出力预测研究现状及存在的问题 | 第15-21页 |
1.2.1 光伏出力预测方法 | 第15-18页 |
1.2.2 光伏出力预测的时间尺度 | 第18页 |
1.2.3 光伏出力预测的空间尺度 | 第18-19页 |
1.2.4 光伏出力预测模型输入变量的选取 | 第19-20页 |
1.2.5 光伏发电全气象参数传感网络 | 第20页 |
1.2.6 光伏出力预测存在的问题 | 第20-21页 |
1.3 研究内容 | 第21-22页 |
第2章 分布式光伏发电全气象参数传感网络 | 第22-36页 |
2.1 引言 | 第22页 |
2.2 数据的采集和处理 | 第22-24页 |
2.2.1 光伏电站的实测数据 | 第22-23页 |
2.2.2 数据的预处理 | 第23-24页 |
2.3 系统架构设计 | 第24-31页 |
2.3.1 系统总体架构 | 第24-26页 |
2.3.2 系统硬件结构 | 第26-28页 |
2.3.3 系统软件结构 | 第28-31页 |
2.4 数据交换方式 | 第31-32页 |
2.5 上位机软件设计 | 第32-33页 |
2.6 样机展示 | 第33-35页 |
2.7 本章小结 | 第35-36页 |
第3章 光伏发电功率与气象因素的相关分析 | 第36-44页 |
3.1 引言 | 第36页 |
3.2 光伏发电功率与气象因素的相关性 | 第36-40页 |
3.2.1 辐照度的影响 | 第36-37页 |
3.2.2 环境温度的影响 | 第37-38页 |
3.2.3 组件温度的影响 | 第38-39页 |
3.2.4 相对湿度的影响 | 第39页 |
3.2.5 其他气象因素的影响 | 第39-40页 |
3.3 光伏发电功率气象影响因子的确定 | 第40-43页 |
3.4 本章小结 | 第43-44页 |
第4章 基于K-means聚类的天气状态模式分类与识别 | 第44-54页 |
4.1 引言 | 第44页 |
4.2 基本思想和技术路线 | 第44-45页 |
4.2.1 基本思想描述 | 第44页 |
4.2.2 技术路线 | 第44-45页 |
4.3 基于K-means聚类的天气状态模式识别模型 | 第45-51页 |
4.3.1 数据归一化处理 | 第45-46页 |
4.3.2 构建当前时刻天气矢量 | 第46页 |
4.3.3 按空间距离分类 | 第46-47页 |
4.3.4 按曲线相似程度分类 | 第47-48页 |
4.3.5 传统K-means聚类的原理及缺点 | 第48-49页 |
4.3.6 改进的K-means聚类算法 | 第49-50页 |
4.3.7 当前时刻天气状态模式识别 | 第50-51页 |
4.4 算例分析 | 第51-52页 |
4.5 本章小结 | 第52-54页 |
第5章 基于Elman神经网络的光伏电站出力预测方法 | 第54-64页 |
5.1 引言 | 第54页 |
5.2 光伏出力预测模型设计 | 第54-55页 |
5.3 Elman神经网络 | 第55-58页 |
5.3.1 Elman神经网络原理 | 第55-56页 |
5.3.2 Elman神经网络的算法实现 | 第56-57页 |
5.3.3 Elman神经网络预测流程 | 第57-58页 |
5.4 短期出力预测模型的建立 | 第58-60页 |
5.4.1 短期出力预测方法的总体框架 | 第58-59页 |
5.4.2 输入量的选取 | 第59页 |
5.4.3 改进的Elman神经网络预测算法 | 第59-60页 |
5.5 算例分析 | 第60-63页 |
5.5.1 预测模型数据 | 第60页 |
5.5.2 预测误差分析 | 第60页 |
5.5.3 预测模型仿真结果 | 第60-63页 |
5.6 本章小结 | 第63-64页 |
第6章 结论与展望 | 第64-66页 |
6.1 结论 | 第64-65页 |
6.2 创新点 | 第65页 |
6.3 展望 | 第65-66页 |
参考文献 | 第66-70页 |
致谢 | 第70-72页 |
攻读学位期间参加的科研项目和成果 | 第72页 |