| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题的研究背景与意义 | 第9-11页 |
| 1.1.1 环境及能源危机问题 | 第9页 |
| 1.1.2 太阳能及光伏发电的特点 | 第9-10页 |
| 1.1.3 光伏功率预测的目的及意义 | 第10-11页 |
| 1.2 课题的国内外研究现状 | 第11-13页 |
| 1.2.1 太阳能光伏发电研究现状 | 第11页 |
| 1.2.2 光伏功率预测方法研究现状 | 第11-13页 |
| 1.3 论文的主要研究内容 | 第13-14页 |
| 第2章 光伏发电的功率特性及影响因素分析 | 第14-21页 |
| 2.1 光伏发电系统的原理及组成 | 第14-15页 |
| 2.2 光伏阵列的输出特性 | 第15-16页 |
| 2.3 光伏发电功率的影响因素分析 | 第16-20页 |
| 2.3.1 季节类型对光伏发电功率的影响 | 第16-17页 |
| 2.3.2 天气类型对光伏发电功率的影响 | 第17页 |
| 2.3.3 主气象因子对光伏发电功率的影响 | 第17-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 人工神经网络在光伏功率预测中的应用 | 第21-31页 |
| 3.1 人工神经网络理论基础 | 第21-22页 |
| 3.1.1 人工神经网络的基本原理 | 第21页 |
| 3.1.2 人工神经网络的基本特征 | 第21-22页 |
| 3.2 BP 神经网络及其改进 | 第22-27页 |
| 3.2.1 传统 BP 学习算法 | 第22-25页 |
| 3.2.2 传统 BP 算法存在的问题 | 第25页 |
| 3.2.3 改进 BP 学习算法 | 第25-27页 |
| 3.3 基于 BP 神经网络的光伏功率预测模型的实例分析 | 第27-30页 |
| 3.3.1 相似日理论 | 第27-28页 |
| 3.3.2 实例计算结果与分析 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 基于混沌搜索的 AMPSO-BPNN 的光伏功率预测模型 | 第31-40页 |
| 4.1 预测算法 | 第31-36页 |
| 4.1.1 粒子群优化算法 | 第31-33页 |
| 4.1.2 混沌优化算法 | 第33-34页 |
| 4.1.3 混沌搜索的自适应变异粒子群算法 | 第34-36页 |
| 4.2 光伏功率预测模型的建立 | 第36-39页 |
| 4.2.1 基于混沌搜索的 AMPSO 优化 BP 神经网络 | 第36-37页 |
| 4.2.2 光伏功率预测模型的结构设计 | 第37-39页 |
| 4.3 本章小结 | 第39-40页 |
| 第5章 光伏发电系统发电能力预测实例分析与应用 | 第40-54页 |
| 5.1 光伏发电系统发电能力预测的实例分析 | 第40-51页 |
| 5.1.1 数据来源和数据处理 | 第40页 |
| 5.1.2 预测模型的参数设置及评价指标 | 第40-41页 |
| 5.1.3 典型天气类型的预测结果与分析 | 第41-49页 |
| 5.1.4 未来一周光伏功率的预测结果与分析 | 第49-51页 |
| 5.2 光伏发电系统发电能力预测的应用分析 | 第51-53页 |
| 5.2.1 光伏出力与负荷的相关性分析 | 第51-52页 |
| 5.2.2 光伏电站的调度运行 | 第52-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第6章 结论与展望 | 第54-56页 |
| 6.1 结论 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表的论文及参加科研情况 | 第59-60页 |
| 致谢 | 第60页 |
