| 摘要 | 第10-11页 |
| Abstract | 第11-12页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 选题背景及研究意义 | 第13-15页 |
| 1.1.1 我国光伏产业背景及相关政策 | 第13-14页 |
| 1.1.2 分布式光伏发电系统的特点及优势 | 第14页 |
| 1.1.3 研究意义 | 第14-15页 |
| 1.2 分布式光伏发电发展近况 | 第15-19页 |
| 1.2.1 国外分布式光伏发电发展近况 | 第15-16页 |
| 1.2.2 我国分布式光伏发电发展近况 | 第16-18页 |
| 1.2.3 光伏发电输出功率预测研究现状 | 第18-19页 |
| 1.3 本文研究内容 | 第19-21页 |
| 第二章 分布式光伏发电系统组成原理及出力特性 | 第21-32页 |
| 2.1 太阳能电池工作原理 | 第21-22页 |
| 2.2 太阳电池的数学特性 | 第22-23页 |
| 2.3 光伏发电构成 | 第23-24页 |
| 2.4 光伏组件 | 第24-27页 |
| 2.4.1 太阳能电池板方阵 | 第24页 |
| 2.4.2 最大功率跟踪控制 | 第24-26页 |
| 2.4.3 DC-DC交换器 | 第26页 |
| 2.4.4 逆变器 | 第26-27页 |
| 2.5 光伏发电出力特性分析 | 第27-31页 |
| 2.5.1 周期性分析 | 第27-28页 |
| 2.5.2 间歇性分析 | 第28-29页 |
| 2.5.3 波动性和随机性分析 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 光伏发电出力与主气象因子相关性分析 | 第32-44页 |
| 3.1 分析方法 | 第32-34页 |
| 3.1.1 相关性分析 | 第32-33页 |
| 3.1.2 回归分析 | 第33页 |
| 3.1.3 SPSS软件简介 | 第33-34页 |
| 3.2 光伏发电输出功率与单一气象因子的相关性分析 | 第34-39页 |
| 3.2.1 太阳光光照强度与光伏出力的相关性 | 第34-35页 |
| 3.2.2 环境温度与光伏出力的相关性 | 第35-37页 |
| 3.2.3 风速与光伏出力的相关性 | 第37-38页 |
| 3.2.4 环境湿度与光伏出力的相关性 | 第38-39页 |
| 3.3 光伏发电输出功率与复合气象因子的相关性分析 | 第39-40页 |
| 3.4 基于通径分析法的主气象因子影响程度分析 | 第40-43页 |
| 3.4.1 通径分析法介绍 | 第40-41页 |
| 3.4.2 基于SPSS软件通径分析法的相关性分析 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 光伏发电输出功率预测方法和预测模型研究 | 第44-53页 |
| 4.1 光伏输出功率预测方法 | 第44-49页 |
| 4.1.1 BP神经网络法 | 第44-47页 |
| 4.1.2 RBF神经网络法 | 第47-48页 |
| 4.1.3 BP神经网络和RBF神经网络预测对比 | 第48-49页 |
| 4.2 光伏输出功率短期预测模型预测实例对比与误差分析 | 第49-52页 |
| 4.2.1 BP神经网络和RBF神经网络模型的构建 | 第49-50页 |
| 4.2.2 模型的预测结果对比 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第五章 基于优化BP神经网络法的光伏输出功率短期预测 | 第53-63页 |
| 5.1 光伏发电输出功率短期预测数据预处理 | 第53-56页 |
| 5.1.1 主成分分析法原理和特性 | 第53-54页 |
| 5.1.2 基于主成分分析的数据预处理 | 第54-56页 |
| 5.2 预测模型的建立 | 第56-58页 |
| 5.2.1 遗传算法原理 | 第56-57页 |
| 5.2.2 遗传算法优化后预测模型的建立 | 第57-58页 |
| 5.3 预测实例结果与误差分析 | 第58-61页 |
| 5.3.1 模型预测结果 | 第59-60页 |
| 5.3.2 模型预测误差分析 | 第60-61页 |
| 5.4 本章小结 | 第61-63页 |
| 第六章 结论与展望 | 第63-65页 |
| 6.1 本文总结 | 第63页 |
| 6.2 工作展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 攻读学位论文期间发表文章 | 第69页 |
