| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景及其意义 | 第8-9页 |
| 1.2 光伏发电系统短期发电功率预测研究现状 | 第9-13页 |
| 1.2.1 光伏发电系统短期发电功率预测国内研究现状 | 第9-11页 |
| 1.2.2 光伏发电系统短期发电功率预测国外研究现状 | 第11-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 第二章 基于改进支持向量机模型的光伏发电短期功率预测 | 第14-29页 |
| 2.1 环境因素对光伏发电短期功率的影响分析 | 第14-16页 |
| 2.2 相似日的选取 | 第16-17页 |
| 2.3 支持向量机(SVM)回归模型与粒子群优化算法 | 第17-21页 |
| 2.3.1 支持向量机回归模型 | 第17-19页 |
| 2.3.2 粒子群优化算法 | 第19-21页 |
| 2.4 基于粒子群优化支持向量机的光伏发电短期功率预测模型 | 第21-24页 |
| 2.4.1 区间预测 | 第21-23页 |
| 2.4.2 预测模型的输入和输出数据 | 第23页 |
| 2.4.3 基于粒子群优化的支持向量机预测模型 | 第23-24页 |
| 2.5 算例分析 | 第24-28页 |
| 2.5.1 单点预测模型算例分析 | 第25-26页 |
| 2.5.2 区间预测模型算例分析 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于改进受限玻尔兹曼机模型的光伏发电短期功率预测 | 第29-42页 |
| 3.1 受限玻尔兹曼机(RBM) | 第29-33页 |
| 3.1.1 Gibbs采样 | 第29-30页 |
| 3.1.2 受限玻尔兹曼机算法 | 第30-33页 |
| 3.2 基于遗传算法优化受限玻尔兹曼机的预测模型 | 第33-37页 |
| 3.2.1 预测模型的输入和输出数据 | 第33-34页 |
| 3.2.2 遗传算法 | 第34-35页 |
| 3.2.3 基于遗传算法优化的改进受限玻尔兹曼机模型 | 第35-37页 |
| 3.3 算例分析 | 第37-41页 |
| 3.3.1 单点预测模型算例分析 | 第37-39页 |
| 3.3.2 区间预测算例分析 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于深度信念网络模型的光伏发电短期功率预测 | 第42-51页 |
| 4.1 深度学习理论 | 第42-43页 |
| 4.1.1 深度学习的训练过程 | 第42-43页 |
| 4.2 深度信念网络模型 | 第43-46页 |
| 4.2.1 深度信念网络算法 | 第43-45页 |
| 4.2.2 基于深度信念网络的预测模型 | 第45-46页 |
| 4.3 仿真算例 | 第46-50页 |
| 4.3.1 单点预测模型算例分析 | 第46-48页 |
| 4.3.2 区间预测算例分析 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 结论与展望 | 第51-53页 |
| 5.1 结论 | 第51页 |
| 5.2 展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 发表论文和参加科研情况说明 | 第57-58页 |
| 致谢 | 第58-59页 |
