| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 风力发电MPPT技术研究现状 | 第14-15页 |
| 1.2.2 光伏发电MPPT技术研究现状 | 第15-16页 |
| 1.2.3 风光互补发电MPPT技术研究现状 | 第16-18页 |
| 1.3 本文研究的主要内容 | 第18-20页 |
| 第2章 风光互补发电系统的组成单元及输出特性 | 第20-32页 |
| 2.1 风光互补发电系统结构 | 第20-24页 |
| 2.1.1 风力发电系统结构 | 第20-21页 |
| 2.1.2 光伏发电系统结构 | 第21-22页 |
| 2.1.3 风光互补发电系统结构 | 第22-24页 |
| 2.2 风光互补发电系统建模及输出特性 | 第24-31页 |
| 2.2.1 风机的数学模型 | 第24-25页 |
| 2.2.2 永磁同步风力发电机的数学模型 | 第25-26页 |
| 2.2.3 风力发电系统的输出特性 | 第26-27页 |
| 2.2.4 光伏电池模型 | 第27页 |
| 2.2.5 光伏电池的数学模型 | 第27-28页 |
| 2.2.6 光伏电池的输出特性 | 第28-29页 |
| 2.2.7 DC-DC电路模型及输出特性 | 第29-30页 |
| 2.2.8 逆变器的主要性能指标 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 基于几何平均数的同时跟踪控制策略 | 第32-41页 |
| 3.1 基于模糊控制的风力发电系统最大功率跟踪控制 | 第32-34页 |
| 3.2 基于模糊控制的光伏发电系统最大功率跟踪控制 | 第34-36页 |
| 3.3 几何平均数在同时跟踪中的应用 | 第36-39页 |
| 3.4 仿真分析 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于BP神经网络的分时跟踪控制策略 | 第41-56页 |
| 4.1 BP神经网络的预测过程 | 第41-46页 |
| 4.1.1 人工神经元模型 | 第41-42页 |
| 4.1.2 激活函数 | 第42页 |
| 4.1.3 神经网络分类 | 第42-44页 |
| 4.1.4 神经网络学习 | 第44-45页 |
| 4.1.5 BP神经网络的权值修正 | 第45-46页 |
| 4.2 BP神经网络对风速和光照强度的预测 | 第46-50页 |
| 4.2.1 神经网络对风速的预测 | 第46-48页 |
| 4.2.2 神经网络对光照强度的预测 | 第48-50页 |
| 4.3 分时跟踪在风光互补发电系统中的应用 | 第50-52页 |
| 4.4 仿真分析 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 基于几何平均数的分时跟踪控制策略 | 第56-61页 |
| 5.1 几何平均数在分时跟踪中的应用 | 第56-58页 |
| 5.2 仿真分析 | 第58-60页 |
| 5.3 本章小结 | 第60-61页 |
| 结论与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附录A 攻读研究生期间所发表的学术论文 | 第68页 |