考虑气象要素的光伏预测模型研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国内外光伏发电发展现状 | 第11-12页 |
| 1.2.2 国内外光伏发电预测模型研究现状 | 第12-14页 |
| 1.3 本论文研究内容 | 第14-15页 |
| 第2章 光伏发电功率气象影响要素分析 | 第15-25页 |
| 2.1 影响光伏输出功率的气象要素分析 | 第15-23页 |
| 2.1.1 太阳辐照强度对光伏输出功率的影响 | 第15-17页 |
| 2.1.2 气温对光伏输出功率的影响 | 第17-18页 |
| 2.1.3 相对湿度对光伏输出功率的影响 | 第18-19页 |
| 2.1.4 风况对光伏输出功率的影响 | 第19-20页 |
| 2.1.5 天气类型对光伏输出功率的影响 | 第20-23页 |
| 2.2 气象因子相关性分析 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 考虑气象要素的光伏功率预测基本理论 | 第25-39页 |
| 3.1 多元线性回归模型 | 第25-28页 |
| 3.1.1 光伏电池模型输出功率理论计算 | 第25-27页 |
| 3.1.2 多元线性回归模型 | 第27-28页 |
| 3.2 支持向量回归模型 | 第28-33页 |
| 3.2.1 统计学习基本理论 | 第29-30页 |
| 3.2.2 支持向量回归原理 | 第30-31页 |
| 3.2.3 SVR模型核函数的选择 | 第31-32页 |
| 3.2.4 SVR模型参数的选择 | 第32-33页 |
| 3.3 灰色模型 | 第33-35页 |
| 3.3.1 灰色生成 | 第33页 |
| 3.3.2 灰色模型GM(1,1)建立 | 第33-34页 |
| 3.3.3 改进的GM(1,1)残差修正模型建立 | 第34-35页 |
| 3.4 BP神经网络模型 | 第35-38页 |
| 3.4.1 BP神经网络结构 | 第35-36页 |
| 3.4.2 BP神经网络原理及算法 | 第36-37页 |
| 3.4.3 BP神经网络的学习训练过程 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 光伏发电功率预测计算分析 | 第39-56页 |
| 4.1 预测数据预处理 | 第39-40页 |
| 4.2 采用多元线性回归模型进行预测 | 第40-42页 |
| 4.2.1 预测流程 | 第40页 |
| 4.2.2 预测结果分析 | 第40-42页 |
| 4.3 采用支持向量回归模型进行预测 | 第42-44页 |
| 4.3.1 预测流程 | 第42页 |
| 4.3.2 预测结果分析 | 第42-44页 |
| 4.4 采用灰度理论模型进行预测 | 第44-46页 |
| 4.4.1 预测流程 | 第44-45页 |
| 4.4.2 预测结果分析 | 第45-46页 |
| 4.5 采用BP神经网络模型进行预测 | 第46-48页 |
| 4.5.1 预测流程 | 第46-47页 |
| 4.5.2 预测结果分析 | 第47-48页 |
| 4.6 四种预测模型的对比分析 | 第48-49页 |
| 4.7 考虑日天气类型的光伏预测分析 | 第49-55页 |
| 4.7.1 晴天功率预测 | 第49-51页 |
| 4.7.2 多云天气功率预测 | 第51-52页 |
| 4.7.3 阴天功率预测 | 第52-53页 |
| 4.7.4 雨天功率预测 | 第53-55页 |
| 4.8 本章小结 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间所发表的学术论文 | 第60-61页 |
| 致谢 | 第61页 |
