基于神经网络和支持向量机的光伏最大功率跟踪研究
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 绪论 | 第9-13页 |
| ·课题的研究背景 | 第9-10页 |
| ·国外光伏发电现状和发展趋势 | 第9-10页 |
| ·国内光伏发电现状和发展趋势 | 第10页 |
| ·光伏发电产业发展需要解决的问题 | 第10页 |
| ·课题的研究动机及目的 | 第10-11页 |
| ·国内外MPPT 的相关研究 | 第11-12页 |
| ·主要研究的内容 | 第12-13页 |
| 第2章 太阳能光伏系统概述 | 第13-18页 |
| ·太阳能光伏电池的原理 | 第13-14页 |
| ·光伏电池特性研究 | 第14-16页 |
| ·单体光伏电池等效电路 | 第14-15页 |
| ·光伏电池组件和光伏方阵 | 第15-16页 |
| ·最大功率跟踪原理 | 第16页 |
| ·最大功率跟踪技术的研究进展 | 第16-18页 |
| ·MPPT 在电力电子技术应用方面的研究进展 | 第16-17页 |
| ·MPPT 在控制理论方面的研究进展 | 第17-18页 |
| 第3章 光伏数据的采集系统设计 | 第18-32页 |
| ·数据采集系统 | 第18-22页 |
| ·数据采集系统的组成 | 第18-21页 |
| ·数据采样理论 | 第21-22页 |
| ·数据采集系统的功能 | 第22页 |
| ·太阳能辐射数据的采集 | 第22-25页 |
| ·采集系统硬件和软件设计 | 第25-31页 |
| ·硬件的设计 | 第25-28页 |
| ·采集系统软件控制程序的实现 | 第28-31页 |
| ·本章小结 | 第31-32页 |
| 第4章 光伏最大功率主要影响因素的研究 | 第32-36页 |
| ·数学模型研究 | 第32-33页 |
| ·光伏组件特性研究 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第5章 基于神经网络的光伏MPPT 预测 | 第36-51页 |
| ·人工神经网络 | 第36-39页 |
| ·神经网络基础知识 | 第36-37页 |
| ·人工神经网络原理 | 第37-39页 |
| ·BP 神经网络 | 第39-41页 |
| ·BP 网络结构 | 第39页 |
| ·BP 学习算法 | 第39-41页 |
| ·基于BP 算法的多层前馈网络的主要能力 | 第41页 |
| ·BP 神经网络在光伏MPPT 中应用 | 第41-42页 |
| ·实际BP 网络结构的设计 | 第42-45页 |
| ·BP 网络的设计 | 第42-44页 |
| ·网络具体拓扑结构 | 第44-45页 |
| ·样本的选择和预处理 | 第45-46页 |
| ·样本的选择原则 | 第45页 |
| ·样本的预处理 | 第45-46页 |
| ·仿真结果分析及讨论 | 第46-50页 |
| ·数据的选取 | 第46-47页 |
| ·仿真分析与结论 | 第47-50页 |
| ·小结 | 第50-51页 |
| 第6章 支持向量机在光伏系统中应用研究 | 第51-67页 |
| ·统计学习理论 | 第51-54页 |
| ·VC 维 | 第51-52页 |
| ·推广性的界 | 第52-53页 |
| ·结构风险最小化原理 | 第53-54页 |
| ·SVM 实现SRM 原则的结构和依据 | 第54页 |
| ·支持向量机回归 | 第54-60页 |
| ·支持向量机回归原理 | 第54-57页 |
| ·核函数和损失函数 | 第57-58页 |
| ·支持向量机回归算法 | 第58页 |
| ·SMO 算法 | 第58-60页 |
| ·支持向量机的非线性建模与回归问题 | 第60-62页 |
| ·非线性系统建模 | 第60-61页 |
| ·SVM 回归问题的数学提法 | 第61-62页 |
| ·支持向量机回归在光伏系统中的应用研究 | 第62-66页 |
| ·光伏组件数学模型的逼近研究 | 第62-63页 |
| ·支持向量机应用于光伏最大功率跟踪 | 第63-66页 |
| ·本章小结 | 第66-67页 |
| 第7章 总结和展望 | 第67-69页 |
| ·研究成果总结 | 第67页 |
| ·未来工作展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间发表的论文 | 第73-74页 |
| 个人简历 | 第74页 |
