光伏并网发电系统短期发电功率预测研究
| 摘要 | 第1-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第9-17页 |
| ·太阳能与光伏发电技术 | 第9-13页 |
| ·国外光伏产业发展状况和前景 | 第10-12页 |
| ·我国光伏产业发展状况 | 第12-13页 |
| ·课题研究意义 | 第13页 |
| ·国内外研究动态 | 第13-15页 |
| ·论文主要研究内容 | 第15-17页 |
| 第二章 影响光伏系统发电功率因素分析 | 第17-27页 |
| ·光伏发电系统原理 | 第17-18页 |
| ·光伏并网发电系统组成 | 第18-19页 |
| ·光伏电池输入输出特性 | 第19-22页 |
| ·光伏电池特性 | 第19-22页 |
| ·光电转换气象敏感系数 | 第22页 |
| ·影响光伏系统发电功率的因子 | 第22-26页 |
| ·本章小结 | 第26-27页 |
| 第三章 无辐射预报条件下的光伏发电功率预测 | 第27-38页 |
| ·BP神经网络 | 第27-29页 |
| ·粒子群优化算法 | 第29-31页 |
| ·PSO-BP神经网络算法流程 | 第31-33页 |
| ·预测模型建立 | 第33-37页 |
| ·分季节建立子模型 | 第33页 |
| ·输入输出层节点的确定 | 第33页 |
| ·训练样本预处理 | 第33-34页 |
| ·网络初始参数设置 | 第34-35页 |
| ·网络泛化能力的检验 | 第35页 |
| ·算例结果与分析 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 有辐射预报条件下的光伏发电功率预测 | 第38-55页 |
| ·统计学习基本理论 | 第38-41页 |
| ·机器学习和经验风险 | 第38-39页 |
| ·VC维 | 第39页 |
| ·推广性的界 | 第39-40页 |
| ·结构风险最小化原则 | 第40-41页 |
| ·支持向量机 | 第41-44页 |
| ·支持向量机的基本思想 | 第41-42页 |
| ·支持向量机回归 | 第42-43页 |
| ·支持向量机核函数 | 第43-44页 |
| ·最小二乘支持向量机 | 第44-45页 |
| ·相似日 | 第45-46页 |
| ·相似日功率预测模型建立 | 第46-48页 |
| ·模型输入和输出数据 | 第46页 |
| ·数据样本处理 | 第46-47页 |
| ·性能评价指标 | 第47页 |
| ·核函数选择 | 第47页 |
| ·参数选择 | 第47-48页 |
| ·仿真预测结果及分析 | 第48-54页 |
| ·实验数据介绍 | 第48页 |
| ·仿真预测 | 第48-54页 |
| ·本章小结 | 第54-55页 |
| 第五章 光伏发电功率预测系统设计与实现 | 第55-66页 |
| ·设计模式及开发工具 | 第55-57页 |
| ·MVC模式 | 第55-56页 |
| ·开发框架及工具 | 第56-57页 |
| ·开发运行环境 | 第57页 |
| ·需求分析 | 第57-58页 |
| ·预报系统分层及其数据流程 | 第58页 |
| ·系统结构设计 | 第58-59页 |
| ·数据库设计 | 第59-61页 |
| ·项目结构 | 第61-62页 |
| ·系统实现 | 第62-66页 |
| ·数据导入模块 | 第62页 |
| ·发电功率预测模块 | 第62-63页 |
| ·报表模块 | 第63-64页 |
| ·数据查询与修改模块 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| ·研究成果总结 | 第66页 |
| ·未来成果展望 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 致谢 | 第71-72页 |
| 作者简介 | 第72页 |
