| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 光伏出力预测研究背景 | 第9-10页 |
| 1.2 光伏出力预测研究意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-14页 |
| 1.3.1 光伏出力预测国内外研究现状 | 第10-13页 |
| 1.3.2 光伏出力数据聚类的国内外研究现状 | 第13-14页 |
| 1.4 本文的主要工作 | 第14-16页 |
| 第二章 光伏出力特性及相关性分析 | 第16-24页 |
| 2.1 光伏出力特性分析 | 第16-17页 |
| 2.2 气象因素的相关性分析 | 第17-23页 |
| 2.2.1 光伏发电的基本原理 | 第17-19页 |
| 2.2.2 太阳辐照度与光伏出力的相关性 | 第19-20页 |
| 2.2.3 温度与光伏出力的相关性 | 第20-21页 |
| 2.2.4 大气气溶胶与光伏出力的相关性 | 第21-22页 |
| 2.2.5 相对湿度与光伏出力的相关性 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于气象因素聚类分析 | 第24-35页 |
| 3.1 光伏出力的典型日特性 | 第24-25页 |
| 3.2 改进的模糊C均值聚类(IFCM)算法 | 第25-27页 |
| 3.2.1 模糊C均值聚类(FCM)算法的理论概述 | 第25-26页 |
| 3.2.2 FCM算法的改进 | 第26-27页 |
| 3.3 基于IFCM算法对光伏出力与气象数据聚类 | 第27-34页 |
| 3.3.1 聚类样本的选取 | 第27-28页 |
| 3.3.2 聚类结果与分析 | 第28-32页 |
| 3.3.3 聚类结果仿真分析 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于遗传膜优化BP神经网络算法的光伏出力短期预测 | 第35-50页 |
| 4.1 BP神经网络的理论概述 | 第35-36页 |
| 4.1.1 BP神经网络的结构 | 第35-36页 |
| 4.1.2 BP神经网络的不足 | 第36页 |
| 4.2 遗传算法和膜优化算法的理论概述 | 第36-41页 |
| 4.2.1 遗传优化算法 | 第36-39页 |
| 4.2.2 膜优化算法 | 第39-41页 |
| 4.3 基于遗传膜优化BP神经网络的组合预测模型的建立 | 第41-45页 |
| 4.3.1 网络结构的设计 | 第41-42页 |
| 4.3.2 遗传膜优化算法的构建 | 第42-45页 |
| 4.4 算例分析 | 第45-49页 |
| 4.4.1 数据预处理 | 第45-46页 |
| 4.4.2 结果分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 基于神经网络分位数回归的光伏出力概率预测 | 第50-62页 |
| 5.1 分位数回归理论 | 第50-52页 |
| 5.1.1 分位数回归基本原理 | 第50-51页 |
| 5.1.2 神经网络分位数回归模型 | 第51-52页 |
| 5.2 核密度估计 | 第52-54页 |
| 5.2.1 核密度估计理论 | 第52-53页 |
| 5.2.2 窗宽选取的一般方法 | 第53-54页 |
| 5.3 基于QRNN和KDE的光伏出力概率预测模型的构建 | 第54-56页 |
| 5.3.1 网络结构的设计 | 第55页 |
| 5.3.2 核密度估计的构建 | 第55-56页 |
| 5.4 算例分析 | 第56-61页 |
| 5.4.1 结果分析 | 第56-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表论文及科研成果 | 第68-69页 |
| 附录 | 第69-78页 |
| 致谢 | 第78-79页 |
