| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-15页 |
| 1.1 课题研究的背景和意义 | 第7-10页 |
| 1.1.1 课题研究的背景 | 第7-9页 |
| 1.1.2 课题研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 光伏产业研究现状 | 第10-11页 |
| 1.2.2 光伏微网发电功率预测研究现状 | 第11-13页 |
| 1.3 论文的主要研究内容 | 第13-15页 |
| 第二章 光伏微网系统数据缺失填补算法研究 | 第15-23页 |
| 2.1 光伏数据缺失问题描述及填补方法 | 第15-16页 |
| 2.1.1 光伏数据缺失问题描述 | 第15-16页 |
| 2.1.2 缺失数据填补方法分类 | 第16页 |
| 2.2 多重填补 | 第16-20页 |
| 2.2.1 多重填补介绍 | 第16-17页 |
| 2.2.2 多重填补方法 | 第17-18页 |
| 2.2.3 基于MCMC的光伏数据填补 | 第18-20页 |
| 2.3 仿真及结果分析 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 光伏发电影响因素分析及特征提取方法研究 | 第23-35页 |
| 3.1 光伏发电功率的影响因素分析 | 第23-26页 |
| 3.1.1 太阳辐射强度对光伏发电功率的影响 | 第23-24页 |
| 3.1.2 环境温度对光伏发电功率的影响 | 第24-25页 |
| 3.1.3 风况对光伏发电功率的影响 | 第25-26页 |
| 3.1.4 湿度对光伏发电功率的影响 | 第26页 |
| 3.2 天气类型对光伏发电功率的影响 | 第26-27页 |
| 3.3 相似日的选取 | 第27-30页 |
| 3.3.1 灰色关联度分析法 | 第28-29页 |
| 3.3.2 加权灰色关联投影法选取相似日 | 第29-30页 |
| 3.3.3 相似日实例应用 | 第30页 |
| 3.4 特征提取 | 第30-33页 |
| 3.4.1 主成分分析法原理及特征 | 第31-32页 |
| 3.4.2 基于主成分分析的数据预处理 | 第32-33页 |
| 3.5 本章小结 | 第33-35页 |
| 第四章 基于EPSO优化LS-SVM的光伏微网发电预测方法研究 | 第35-45页 |
| 4.1 支持向量机 | 第35-37页 |
| 4.1.1 用于分类的支持向量机 | 第35-37页 |
| 4.1.2 用于回归的支持向量机 | 第37页 |
| 4.2 最小二乘支持向量机 | 第37-38页 |
| 4.3 EPSO-LSSVM的训练算法 | 第38-40页 |
| 4.3.1 改进PSO | 第38-39页 |
| 4.3.2 EPSO-LSSVM的训练算法 | 第39-40页 |
| 4.4 预测模型 | 第40-44页 |
| 4.4.1 设计预测模型 | 第40-41页 |
| 4.4.2 参数设置 | 第41页 |
| 4.4.3 算例分析 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于dSPACE的实验研究 | 第45-51页 |
| 5.1 dSPACE实时仿真系统 | 第45-47页 |
| 5.1.1 dSPACE介绍 | 第45-46页 |
| 5.1.2 dSPACE硬件系统 | 第46页 |
| 5.1.3 dSPACE软件开发环境 | 第46-47页 |
| 5.2 基于dSPACE平台的硬件验证 | 第47-49页 |
| 5.3 本章小结 | 第49-51页 |
| 主要结论与展望 | 第51-53页 |
| 主要结论 | 第51页 |
| 展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第58页 |