| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-16页 |
| 1.1 研究背景与研究意义 | 第7-10页 |
| 1.2 光伏发电系统概述 | 第10-14页 |
| 1.2.1 光伏系统组成 | 第10-11页 |
| 1.2.2 光伏系统功率特性 | 第11-14页 |
| 1.3 本文主要工作 | 第14-16页 |
| 第2章 光伏出力预测技术 | 第16-20页 |
| 2.1 光伏出力预测方法 | 第16-18页 |
| 2.2 统计法预测技术研究现状 | 第18页 |
| 2.3 本章小结 | 第18-20页 |
| 第3章 基于BP神经网络的光伏出力短期预测 | 第20-31页 |
| 3.1 BP神经网络原理 | 第20-23页 |
| 3.2 基于BP神经网络的光伏出力预测模型 | 第23-24页 |
| 3.2.1 分类建模 | 第23-24页 |
| 3.2.2 网络参数设置 | 第24页 |
| 3.3 实例分析 | 第24-30页 |
| 3.3.1 数据处理 | 第25页 |
| 3.3.2 结果分析 | 第25-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 基于支持向量机（SVM）的光伏出力短期预测 | 第31-51页 |
| 4.1 统计学习理论基础 | 第31-34页 |
| 4.1.1 机器学习和经验风险 | 第31-32页 |
| 4.1.2 VC维 | 第32-33页 |
| 4.1.3 推广性的界 | 第33页 |
| 4.1.4 结构风险最小化原理 | 第33-34页 |
| 4.2 支持向量机 | 第34-40页 |
| 4.2.1 支持向量机的基本思想 | 第34-36页 |
| 4.2.2 支持向量机核函数 | 第36页 |
| 4.2.3 支持向量机回归 | 第36-38页 |
| 4.2.4 参数选取 | 第38-40页 |
| 4.3 相似日理论 | 第40-41页 |
| 4.3.1 理论基础 | 第40页 |
| 4.3.2 相似日选取方法 | 第40-41页 |
| 4.4 基于支持向量机的光伏出力预测模型 | 第41-42页 |
| 4.5 实例分析 | 第42-49页 |
| 4.5.1 相似日理论验证 | 第42-43页 |
| 4.5.2 模型有效性分析 | 第43-49页 |
| 4.6 本章小结 | 第49-51页 |
| 第5章 光伏出力预测系统 | 第51-57页 |
| 5.1 设计原则以及设计步骤 | 第51-53页 |
| 5.1.1 设计原则 | 第51-52页 |
| 5.1.2 设计步骤 | 第52-53页 |
| 5.2 系统实现 | 第53-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 研究成果总结 | 第57页 |
| 6.2 未来工作展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-62页 |