| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 光伏发电发展趋势 | 第13-14页 |
| 1.3 光伏发电短期预测研究现状 | 第14-17页 |
| 1.3.1 间接预测方法 | 第14-15页 |
| 1.3.2 直接预测方法 | 第15-17页 |
| 1.4 本文主要工作 | 第17-19页 |
| 2 深度学习算法概述 | 第19-30页 |
| 2.1 预测模型数学方法介绍 | 第19-25页 |
| 2.1.1 多层感知器(Multi-layer Perceptron, MLP) | 第19-20页 |
| 2.1.2 递归神经网络(RNN) | 第20-22页 |
| 2.1.3 Long Short-Term Memory(LSTM) | 第22-25页 |
| 2.1.4 双向长短期记忆(Bidirectional LSTM,BiLSTM) | 第25页 |
| 2.2 Dropout机制 | 第25-26页 |
| 2.3 激活函数 | 第26-28页 |
| 2.3.1 Linear激活函数 | 第26页 |
| 2.3.2 Sigmoid激活函数 | 第26页 |
| 2.3.3 Tanh激活函数 | 第26-27页 |
| 2.3.4 ReLU激活函数 | 第27-28页 |
| 2.4 误差评估指标 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 光伏发电预测数据集的建立 | 第30-35页 |
| 3.1 原始数据介绍 | 第30-31页 |
| 3.2 数据预处理 | 第31-34页 |
| 3.3 数据集的构建 | 第34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 太阳能光伏发电功率点预测方法 | 第35-52页 |
| 4.1 模型结构 | 第35-41页 |
| 4.1.1 模型输入层 | 第35页 |
| 4.1.2 模型隐含层 | 第35-37页 |
| 4.1.3 模型输出层 | 第37-38页 |
| 4.1.4 实验结果 | 第38-41页 |
| 4.2 模型容量 | 第41-44页 |
| 4.2.1 LSTM层容量变化 | 第41-43页 |
| 4.2.2 FC层容量变化 | 第43-44页 |
| 4.3 Dropout机制 | 第44-46页 |
| 4.4 激活函数 | 第46-47页 |
| 4.5 不同深度学习方法对比 | 第47-48页 |
| 4.6 天气特征的选取 | 第48-50页 |
| 4.6.1 单维特征实验结果 | 第48-49页 |
| 4.6.2 多维特征实验结果 | 第49-50页 |
| 4.7 点预测模型实验结果 | 第50-51页 |
| 4.8 本章小结 | 第51-52页 |
| 5 太阳能光伏发电功率区间预测方法 | 第52-58页 |
| 5.1 评价指标 | 第52-53页 |
| 5.1.1 区间覆盖率 | 第52页 |
| 5.1.2 平均宽度百分比 | 第52页 |
| 5.1.3 累计误差 | 第52-53页 |
| 5.1.4 综合评价指标 | 第53页 |
| 5.2 算法说明 | 第53-55页 |
| 5.3 实验结果 | 第55-56页 |
| 5.4 本章小结 | 第56-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 论文工作总结 | 第58页 |
| 6.2 论文工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 作者简历及在学期间所取得的科研成果 | 第64页 |
