| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 光伏微网发电的研究背景与意义 | 第12-14页 |
| 1.1.1 环境与能源危机问题 | 第12-13页 |
| 1.1.2 课题的研究的目的及意义 | 第13-14页 |
| 1.2 国内外研究状况 | 第14-19页 |
| 1.2.1 光伏发电产业的发展现状 | 第14-16页 |
| 1.2.2 光伏微网系统发电量预测方法的研究现状 | 第16-19页 |
| 1.3 本文主要研究内容 | 第19-20页 |
| 第2章 光伏微网系统与输出功率特性分析 | 第20-33页 |
| 2.1 光伏电池的工作原理 | 第20-22页 |
| 2.2 光伏发电系统 | 第22-25页 |
| 2.2.1 光伏发电系统的组成 | 第22-24页 |
| 2.2.2 光伏发电系统的分类 | 第24-25页 |
| 2.3 安微工程大学光伏微网系统 | 第25-26页 |
| 2.4 光伏微网发电功率特性分析 | 第26-31页 |
| 2.4.1 太阳辐射强度对发电功率的影响 | 第27-29页 |
| 2.4.2 温度对发电功率的影响 | 第29-30页 |
| 2.4.3 综合天气状况对发电功率的影响 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 基于改进BP算法的小波神经网络光伏徽网发电量预测模型 | 第33-46页 |
| 3.1 BP神经网络 | 第33-37页 |
| 3.1.1 BP神经网络模型 | 第33-36页 |
| 3.1.2 BP神经网络存在的问题 | 第36-37页 |
| 3.2 小波神经网络 | 第37-42页 |
| 3.2.1 小波神经网络的网络结构形式 | 第38-39页 |
| 3.2.2 小波神经网络的特点 | 第39-40页 |
| 3.2.3 小波神经网络学习算法 | 第40-42页 |
| 3.3 改进BP算法的小波神经网络预测模型设计 | 第42-44页 |
| 3.3.1 数据预处理 | 第42页 |
| 3.3.2 预测模型结构 | 第42-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第4章 基于GA-SAPSO优化BP神经网络的光伏微网发电量预测模型 | 第46-56页 |
| 4.1 遗传算法 | 第46-48页 |
| 4.1.1 遗传算法的基本原理 | 第46-48页 |
| 4.1.2 遗传算法的特点 | 第48页 |
| 4.2 模拟退火粒子群算法 | 第48-52页 |
| 4.2.1 模拟退火粒子群算法的基本原理 | 第49-51页 |
| 4.2.2 模拟退火粒子群算法的特点 | 第51-52页 |
| 4.3 GA-SAPAO优化BP神经网络预测模型 | 第52-55页 |
| 4.3.1 GA-SAPSO优化神经网络算法 | 第52-54页 |
| 4.3.2 预测结构设计 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 光伏微网系统发电量预测模型评估与结果分析 | 第56-62页 |
| 5.1 预测模型评估 | 第56页 |
| 5.2 预测结果分析 | 第56-61页 |
| 5.3 本章小结 | 第61-62页 |
| 第6章 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 攻读学位期间取得的科研成果 | 第69-70页 |
| 致谢 | 第70页 |