| 摘要 | 第3-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 光伏功率预测研究现状 | 第14-15页 |
| 1.2.2 聚类算法研究现状 | 第15-16页 |
| 1.2.3 神经网络预测研究现状 | 第16-17页 |
| 1.2.4 云层图像分析研究现状 | 第17-18页 |
| 1.3 论文主要内容与创新点 | 第18-21页 |
| 第二章 密度峰值聚类机理及其改进 | 第21-33页 |
| 2.1 CFSFDP聚类机理 | 第21-26页 |
| 2.1.1 基本假设 | 第21-22页 |
| 2.1.2 聚类中心的确定 | 第22-24页 |
| 2.1.3 聚类算法的实现 | 第24-26页 |
| 2.2 CFSFDP聚类机理的改进 | 第26-30页 |
| 2.2.1 基于均衡化思想的类间距离优化 | 第26-28页 |
| 2.2.2 基于Sigmoid函数的类内距离优化 | 第28-30页 |
| 2.3 优化聚类的流程与优化效果 | 第30-31页 |
| 2.3.1 算法流程 | 第30页 |
| 2.3.2 优化效果分析 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于CFSFDP聚类的短期功率预测 | 第33-57页 |
| 3.1 历史数据聚类 | 第33-45页 |
| 3.1.1 数据集构成及预处理 | 第33-35页 |
| 3.1.2 传统CFSFDP聚类结果 | 第35-36页 |
| 3.1.3 优化CFSFDP聚类结果 | 第36-40页 |
| 3.1.4 聚类有效性及鲁棒性分析 | 第40-45页 |
| 3.2 相似日样本匹配 | 第45-48页 |
| 3.2.1 相关性分析 | 第45-47页 |
| 3.2.2 匹配结果 | 第47-48页 |
| 3.3 基于递归神经网络的短期光伏功率预测 | 第48-56页 |
| 3.3.1 Elman神经网络原理 | 第48-50页 |
| 3.3.2 实际应用分析 | 第50-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第四章 基于云层分析的超短期功率预测 | 第57-73页 |
| 4.1 云层图像的处理与分析 | 第57-61页 |
| 4.1.1 图像的采集与预处理 | 第57-58页 |
| 4.1.2 图像亮度计算 | 第58页 |
| 4.1.3 遮光区域计算 | 第58-59页 |
| 4.1.4 云层图像的特征提取 | 第59-61页 |
| 4.2 基于云层特征的超短期辐射度预测 | 第61-66页 |
| 4.2.1 大气层外辐射与大气质量 | 第61-63页 |
| 4.2.2 云层图像特征的预测机理 | 第63-64页 |
| 4.2.3 图像特征的预测结果分析 | 第64-65页 |
| 4.2.4 Elman神经网络预测模型 | 第65-66页 |
| 4.3 基于CFSFDP聚类结果的超短期功率预测 | 第66-72页 |
| 4.3.1 辐射度-功率转化机理分析 | 第66-67页 |
| 4.3.2 基于CFSFDP聚类结果的辐射度-功率拟合 | 第67-70页 |
| 4.3.3 实际应用分析 | 第70-72页 |
| 4.4 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 全文工作总结 | 第73-74页 |
| 5.2 研究展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-83页 |
| 发表论文和科研情况说明 | 第83页 |