| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 光伏产业发展现状 | 第9-11页 |
| 1.2.1 世界光伏产业发展现状 | 第9-10页 |
| 1.2.2 中国光伏产业发展现状 | 第10-11页 |
| 1.3 光伏发电功率预测技术类别 | 第11-12页 |
| 1.4 光伏发电功率预测研究现状 | 第12-15页 |
| 1.5 课题主要研究内容 | 第15-17页 |
| 第二章 太阳能光伏发电建模与控制 | 第17-29页 |
| 2.1 太阳能光伏发电系统介绍 | 第17-21页 |
| 2.1.1 太阳能光伏电池的基本构造以及工作原理 | 第17-19页 |
| 2.1.2 光伏发电系统的组成 | 第19-20页 |
| 2.1.3 光伏发电系统的分类 | 第20-21页 |
| 2.2 智能电网框架下太阳能光伏发电技术的发展 | 第21-23页 |
| 2.2.1 智能电网技术简介 | 第21-22页 |
| 2.2.2 智能电网框架下光伏发电技术的发展 | 第22-23页 |
| 2.3 光伏并网系统数学模型 | 第23-24页 |
| 2.4 光伏并网系统协调控制策略 | 第24-25页 |
| 2.5 影响太阳能光伏输出功率的因素分析 | 第25-28页 |
| 2.5.1 气温对光伏输出功率的影响 | 第26-27页 |
| 2.5.2 辐照度影响光伏的输出功率 | 第27页 |
| 2.5.3 板温影响光伏输出功率 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 光伏功率预测技术的模型原理分析 | 第29-35页 |
| 3.1 光伏发电功率常见预测算法模型 | 第29-33页 |
| 3.1.1 灰色理论预测模型 | 第29-30页 |
| 3.1.2 多元线性回归算法模型 | 第30页 |
| 3.1.3 小波分析方法 | 第30-31页 |
| 3.1.4 最小二乘支持向量机算法模型 | 第31-32页 |
| 3.1.5 人工神经网络算法模型 | 第32-33页 |
| 3.2 光伏发电功率预测误差分析 | 第33-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第四章 异常数据的检测与修正 | 第35-42页 |
| 4.1 异常数据 | 第35-36页 |
| 4.1.1 异常数据的定义 | 第35-36页 |
| 4.1.2 异常值产生的原因 | 第36页 |
| 4.2 异常值检测 | 第36-38页 |
| 4.2.1 异常值检测的方法分类 | 第36-37页 |
| 4.2.2 异常值检测的评价方法 | 第37-38页 |
| 4.3 针对时间序列的异常值检测方法 | 第38-40页 |
| 4.4 异常值的修正 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 基于改进广义回归神经网络的光伏发电功率预测 | 第42-52页 |
| 5.1 太阳能光伏电站功率数据与气象数据预处理 | 第42-44页 |
| 5.1.1 实验数据的规范化处理 | 第42-43页 |
| 5.1.2 缺失数据修正 | 第43-44页 |
| 5.2 神经网络算法改进及功率预测步骤 | 第44-50页 |
| 5.2.1 广义回归神经网络算法 | 第44-46页 |
| 5.2.2 模糊C均值聚类算法 | 第46-47页 |
| 5.2.3 混沌优化算法 | 第47-48页 |
| 5.2.4 改进的广义回归神经网络算法 | 第48-49页 |
| 5.2.5 光伏发电短期功率预测步骤 | 第49-50页 |
| 5.3 模型检验 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-53页 |
| 参考文献 | 第53-55页 |
| 附录1 程序清单 | 第55-61页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第61-62页 |
| 附录3 攻读硕士学位期间申请的专利 | 第62-63页 |
| 致谢 | 第63页 |