摘要 | 第3-4页 |
ABSTRACT | 第4页 |
第1章 绪论 | 第8-16页 |
1.1 课题研究背景 | 第8-9页 |
1.2 课题研究意义 | 第9-10页 |
1.3 光伏输出功率预测领域存在的问题 | 第10-12页 |
1.3.1 预测模型输入变量选取 | 第11-12页 |
1.3.2 数据的相似度分析 | 第12页 |
1.4 光伏发电功率预测课题的研究现状 | 第12-14页 |
1.4.1 光伏发电功率预测方法分类 | 第12-13页 |
1.4.2 国内外研究现状 | 第13-14页 |
1.5 本文的主要内容 | 第14-16页 |
第2章 光伏系统概述 | 第16-26页 |
2.1 光伏电池物理数学模型 | 第16-22页 |
2.1.1 光伏电池基本原理 | 第16页 |
2.1.2 光伏电池的种类 | 第16-17页 |
2.1.3 光伏电池的数学模型 | 第17-19页 |
2.1.4 光伏电池伏安特性 | 第19-22页 |
2.2 光伏发电系统 | 第22-24页 |
2.2.1 光伏发电系统的组成 | 第22-23页 |
2.2.2 光伏发电系统分类 | 第23-24页 |
2.2.2.1 独立光伏发电系统 | 第23-24页 |
2.2.2.2 并网光伏发电系统 | 第24页 |
2.2.2.3 微电网 | 第24页 |
2.3 本章小结 | 第24-26页 |
第3章 数据预处理和挖掘 | 第26-38页 |
3.1 数据挖掘概论 | 第26-27页 |
3.2 数据的相似性分析 | 第27-31页 |
3.2.1 输入变量筛选 | 第28-31页 |
3.2.1.1 通径分析 | 第28-29页 |
3.2.1.2 K-means聚类 | 第29页 |
3.2.1.3 输入变量的约减 | 第29-31页 |
3.3 相似性分析中的权值选择 | 第31-36页 |
3.3.1 k近邻算法 | 第31-32页 |
3.3.2 权值对相似样本筛选效果的影响分析 | 第32-33页 |
3.3.3 权值自适应调整算法 | 第33-36页 |
3.3.3.1 粒子群算法 | 第33-34页 |
3.3.3.2 权值自适应调整算法流程 | 第34-35页 |
3.3.3.3 筛选效果对比 | 第35-36页 |
3.4 本章小结 | 第36-38页 |
第4章 基于通径分析的神经网络分位数回归概率预测模型 | 第38-48页 |
4.1 分位数回归理论 | 第38-40页 |
4.1.1 线性分位数回归 | 第38-39页 |
4.1.2 神经网络分位数回归模型 | 第39-40页 |
4.2 核密度估计 | 第40-41页 |
4.3 基于通径分析的神经网络分位数回归概率预测模型 | 第41页 |
4.4 概率预测有效性验证 | 第41页 |
4.5 预测结果与分析 | 第41-46页 |
4.5.1 评价指标 | 第42-44页 |
4.5.2 结果分析 | 第44-46页 |
4.6 预测区间对电网调度的意义 | 第46页 |
4.7 本章小结 | 第46-48页 |
第5章 神经网络分位数回归概率预测模型 | 第48-56页 |
5.1 自适应权值算法适用性验证 | 第48-52页 |
5.1.1 BP模型预测流程 | 第48页 |
5.1.2 核密度模型预测流程 | 第48-49页 |
5.1.3 预测结果分析 | 第49-52页 |
5.2 神经网络分位数回归模型预测流程(AW+QRNN+KDE) | 第52-54页 |
5.2.1 模型具体预测流程 | 第52页 |
5.2.2 预测结果分析 | 第52-54页 |
5.3 本章小结 | 第54-56页 |
第6章 光伏阵列功率监控系统的硬件实现 | 第56-66页 |
6.1 监控系统总体结构设计 | 第56-57页 |
6.2 功能模块设计 | 第57-65页 |
6.2.1 电压电流检测模块 | 第57页 |
6.2.2 温度采集模块 | 第57-60页 |
6.2.3 辐照度测量模块 | 第60-61页 |
6.2.4 zigbee通信模块 | 第61-62页 |
6.2.5 RS-485通信模块 | 第62-63页 |
6.2.6 液晶显示模块 | 第63-64页 |
6.2.7 Labview上位机监控模块 | 第64-65页 |
6.3 本章小结 | 第65-66页 |
第7章 总结与展望 | 第66-68页 |
参考文献 | 第68-72页 |
发表论文和参加科研情况说明 | 第72-74页 |
发表学术论文 | 第72页 |
参与科研项目 | 第72-74页 |
致谢 | 第74页 |