| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 光伏发电系统的输出功率预测 | 第14-17页 |
| 1.2.2 含分布式光伏电源的配网潮流计算 | 第17-19页 |
| 1.3 本文研究内容及章节安排 | 第19-22页 |
| 第二章 光伏发电原理及影响因素分析 | 第22-34页 |
| 2.1 光伏发电 | 第22-24页 |
| 2.1.1 光伏发电的工作原理 | 第22-23页 |
| 2.1.2 光伏电池的种类 | 第23-24页 |
| 2.2 光伏发电的数学模型 | 第24-25页 |
| 2.3 光伏发电系统结构 | 第25-28页 |
| 2.3.1 光伏组件阵列 | 第27页 |
| 2.3.2 蓄电池 | 第27-28页 |
| 2.3.3 光伏控制器 | 第28页 |
| 2.3.4 光伏逆变器 | 第28页 |
| 2.4 光伏发电系统功率输出的影响因素分析 | 第28-33页 |
| 2.4.1 太阳辐射强度的影响分析 | 第29页 |
| 2.4.2 环境温度的影响分析 | 第29-30页 |
| 2.4.3 风速的影响分析 | 第30-31页 |
| 2.4.4 天气类型的影响分析 | 第31页 |
| 2.4.5 太阳能电池的影响分析 | 第31-32页 |
| 2.4.6 配线方案的影响分析 | 第32页 |
| 2.4.7 光伏发电系统输出功率规律 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于人工神经网络的光伏发电系统功率预测 | 第34-54页 |
| 3.1 人工神经网络 | 第34-45页 |
| 3.1.1 神经网络的分类 | 第35页 |
| 3.1.1.1 前馈神经网络 | 第35页 |
| 3.1.1.2 反馈神经网络 | 第35页 |
| 3.1.2 神经网络的学习 | 第35-45页 |
| 3.1.2.1 BP神经网络 | 第36-40页 |
| 3.1.2.2 RBF神经网络 | 第40-43页 |
| 3.1.2.3 GRNN神经网络 | 第43-45页 |
| 3.2 基于人工神经网络的输出功率预测 | 第45-46页 |
| 3.2.1 样本数据的处理 | 第45页 |
| 3.2.2 基于人工神经网络的预测过程 | 第45-46页 |
| 3.3 案例分析 | 第46-53页 |
| 3.3.1 基于BP神经网络功率预测模型的程序实现 | 第46-50页 |
| 3.3.1.1 BP神经网络的训练 | 第47-48页 |
| 3.3.1.2 BP神经网络的测试 | 第48-50页 |
| 3.3.2 基于RBF神经网络功率预测模型的程序实现 | 第50-51页 |
| 3.3.2.1 RBF神经网络的训练 | 第50-51页 |
| 3.3.2.2 RBF神经网络的测试 | 第51页 |
| 3.3.3 基于GRNN神经网络功率预测模型的程序实现. | 第51-53页 |
| 3.3.3.1 GRNN神经网络的测试 | 第52-53页 |
| 3.3.4 结论分析 | 第53页 |
| 3.4 本章小结 | 第53-54页 |
| 第四章 基于组合模型的光伏发电系统功率预测 | 第54-60页 |
| 4.1 组合预测的工作原理 | 第54页 |
| 4.2 基于组合模型的光伏发电系统功率预测 | 第54-56页 |
| 4.3 组合预测的权值确定 | 第56-58页 |
| 4.4 案例分析 | 第58-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 含分布式光伏电源的配电网潮流计算 | 第60-68页 |
| 5.1 分布式光伏发电系统接入后的节点模型处理 | 第60-61页 |
| 5.2 配电网络拓扑结构 | 第61页 |
| 5.3 基于前推回代法求解含分布式光伏系统的配网潮流 | 第61-63页 |
| 5.4 案例分析 | 第63-66页 |
| 5.4.1 分布式光伏发电系统并网对配网电压分布的影响 | 第64-66页 |
| 5.4.2 分布式光伏发电系统并网对配网网损的影响 | 第66页 |
| 5.5 本章小结 | 第66-68页 |
| 第六章 总结和展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 附录 (攻读硕士期间的学术成果) | 第78页 |
