| ACKNOWLEDGEMENT | 第5-6页 |
| ABSTRACT | 第6页 |
| CHAPTER 1 Introduction | 第10-23页 |
| 1.1 PV power schemes | 第12-14页 |
| 1.1.1 Off-grid PV scheme | 第12-13页 |
| 1.1.2 Grid-connected PV Schemes | 第13-14页 |
| 1.2 Global PV power industry | 第14-16页 |
| 1.3 PV power variations | 第16-18页 |
| 1.4 Motivation of thesis | 第18-19页 |
| 1.5 Objectives of thesis | 第19-20页 |
| 1.6 Frame work of Thesis | 第20-21页 |
| 1.7 Outline of Thesis | 第21-23页 |
| CHAPTER 2 Solar radiation measurement and PV power forecasting methods | 第23-53页 |
| 2.1 Solar Radiation Elements at the Earth Level | 第23-25页 |
| 2.2 Solar Radiation measurements | 第25-29页 |
| 2.2.1 Satellite Based Models for measuring Radiation | 第25-28页 |
| 2.2.2 Online Databases for radiation measurement | 第28-29页 |
| 2.3 PV power plant scheme installation | 第29-30页 |
| 2.4 Global horizontal and clear sky radiation | 第30-32页 |
| 2.5 Cloud Motion Vector (CMV) predictions of radiation | 第32-35页 |
| 2.6 Datasets for irradiance forecast analysis | 第35-36页 |
| 2.7 CMV forecasts of irradiance by cloud index | 第36页 |
| 2.8 Forecasting methods of PV power | 第36-38页 |
| 2.9 Regressive methods | 第38-46页 |
| 2.9.1 Linear stationary models | 第42页 |
| 2.9.2 Auto-Regressive (AR) models | 第42-44页 |
| 2.9.3 Moving Average (MA) models | 第44页 |
| 2.9.4 Mixed Auto-Regressive Moving Average (ARMA) models | 第44-46页 |
| 2.9.5 Mixed Auto-Regressive Moving Average models withexogenous variables (ARMAX) | 第46页 |
| 2.10 Machine learning methods | 第46-53页 |
| 2.10.1 Linear regression | 第47页 |
| 2.10.2 Generalized linear models | 第47-48页 |
| 2.10.3 Nonlinear regression | 第48-49页 |
| 2.10.4 Support vector machines/support vector regression | 第49-50页 |
| 2.10.5 Decision tree learning (Breiman bagging) | 第50页 |
| 2.10.6 Nearest neighbor | 第50-51页 |
| 2.10.7 Markov chain | 第51页 |
| 2.10.8 Unsupervised learning | 第51页 |
| 2.10.9 K-means and k-methods clustering | 第51-52页 |
| 2.10.10 Hierarchical clustering | 第52-53页 |
| CHAPTER 3 Analysis and review of PV power | 第53-64页 |
| 3.1 Study of PV Power Data | 第53-54页 |
| 3.2 Relationship Between meteorological parameters and PV Output | 第54-58页 |
| 3.2.1 Numerical weather radiation | 第54-55页 |
| 3.2.2 Ambient Temperature | 第55-56页 |
| 3.2.3 Wind Speed | 第56-57页 |
| 3.2.4 Humidity | 第57-58页 |
| 3.2.5 Fog | 第58页 |
| 3.3 Review of forecasting methods | 第58-64页 |
| 3.3.1 Solar irradiance forecasting review | 第59-61页 |
| 3.3.2 PV Power Forecasting Review | 第61-64页 |
| CHAPTER 4 PV power forecast in haze weather | 第64-79页 |
| 4.1 Forecasting of PV power in haze weather | 第64页 |
| 4.2 Haze weather in Beijing | 第64-66页 |
| 4.3 Effect of Haze on PV power | 第66-67页 |
| 4.4 Effect of meteorological parameters on PV power | 第67-70页 |
| 4.5 BP Network | 第70-73页 |
| 4.5.1 Fundamentals of BP Network | 第70-72页 |
| 4.5.2 Hybrid forecasting method | 第72-73页 |
| 4.6 Simulation Results | 第73-79页 |
| 4.6.1 Haze Weather or high AQI Tests | 第74-76页 |
| 4.6.2 Clear weather Tests | 第76-79页 |
| CHAPTER 5 PV power forecast during normal weather | 第79-91页 |
| 5.1 PV power forecasting | 第79-80页 |
| 5.2 Effect of weather data on PV power | 第80-81页 |
| 5.3 Cascade feed forward network | 第81-86页 |
| 5.3.1 PV power forecasting by Cascade feed forward network | 第82-84页 |
| 5.3.2 Simulation results of CF network | 第84-86页 |
| 5.4 Forecasting with Elman neural network | 第86-90页 |
| 5.4.1 Algorithm of Elman network | 第86-88页 |
| 5.4.2 Results of Elman neural network | 第88-90页 |
| 5.5 Conclusion | 第90-91页 |
| CHAPTER 6 Conclusion | 第91-94页 |
| 6.1 Contributions | 第92页 |
| 6.2 Guidelines for Future Work | 第92-94页 |
| References | 第94-104页 |
| Biography | 第104页 |
