基于组合神经网络及贝叶斯模型的光伏输出功率预测
| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.3 本论文主要研究内容 | 第19-21页 |
| 第2章 基于组合模型的太阳辐射强度预测 | 第21-47页 |
| 2.1 天气识别模型的建立 | 第21-30页 |
| 2.1.1 晴空模型 | 第21-23页 |
| 2.1.2 基于天空状态及云量的天气分类 | 第23-30页 |
| 2.2 气象因素对太阳辐射的影响分析 | 第30-32页 |
| 2.3 基于组合神经网络的辐射强度预测 | 第32-46页 |
| 2.3.1 组件模型的选择 | 第34-36页 |
| 2.3.2 组件模型变量及结构的设置 | 第36-38页 |
| 2.3.3 组件模型权重的确定 | 第38-41页 |
| 2.3.4 预测结果及分析 | 第41-46页 |
| 2.4 本章小结 | 第46-47页 |
| 第3章 基于最小二乘法的光伏组件温度拟合计算 | 第47-61页 |
| 3.1 光伏电池的发电原理及构成 | 第47-49页 |
| 3.2 光伏电池的传热机理分析 | 第49-53页 |
| 3.3 基于非线性最小二乘法的温度计算 | 第53-58页 |
| 3.4 光伏组件温度影响系数的优化 | 第58-60页 |
| 3.5 本章小结 | 第60-61页 |
| 第4章 基于贝叶斯网络的光伏输出功率概率预测 | 第61-77页 |
| 4.1 动态贝叶斯网络理论 | 第61-62页 |
| 4.2 光伏输出功率的概率预测模型 | 第62-67页 |
| 4.2.1 网络节点变量选择及结构确定 | 第62-65页 |
| 4.2.2 条件概率推理 | 第65-66页 |
| 4.2.3 基于BNT工具箱的模型实现 | 第66-67页 |
| 4.3 预测结果与分析 | 第67-74页 |
| 4.4 本章小结 | 第74-77页 |
| 第5章 全文总结与展望 | 第77-79页 |
| 5.1 本文工作总结 | 第77-78页 |
| 5.2 展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 附录 攻读硕士学位期间参与发表的论文 | 第85-86页 |
| 学位论文评阅及答辩情况表 | 第86页 |
