声明
1 绪论
1.1 研究背景与意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外光伏发电功率预测研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.2.3 存在的主要问题
1.3 论文的主要研究内容
1.4 本章小结
2 光伏发电功率预测方法及数据预处理
2.1 光伏发电功率预测方法
2.1.1 根据预测时间尺度分类
2.1.2 根据预测对象分类
2.1.3 根据预测模型分类
2.2 光伏发电功率预测误差评价指标
2.2.1 预测误差产生的原因
2.2.2 误差评价指标
2.2.3 预测目标
2.3 数据预处理
2.3.1 数据准备与来源
2.3.2 异常数据处理
2.3.3 数据归一化处理
2.4本章小结
3 相似日理论
3.1 光伏发电功率特性分析
3.1.1 分析功率影响因素
3.1.2 季节对光伏发电功率的影响
3.1.3 天气类型对光伏发电功率的影响
3.1.4 辐照度对光伏发电功率的影响
3.1.5 温度对光伏发电功率的影响
3.1.6 相对湿度对光伏发电功率的影响
3.1.7 其他气象因素对光伏发电功率的影响
3.2选取相似日
3.2.1 构造细分数据集
3.2.2 构建气象特征向量
3.2.3 相似性综合指标计算
3.2.4 筛选相似日
3.3 本章小结
4 基于主成分和改进Elman神经网络的短期光伏发电功率预测研究
4.1 BP神经网络
4.1.1 BP神经网络结构
4.1.2 BP神经网络学习算法及训练过程
4.2 Elman神经网络
4.2.1 Elman神经网络结构
4.2.2 Elman神经网络学习算法及训练过程
4.3 改进Elman神经网络
4.4 改进Elman神经网络预测模型应用
4.4.1 选取预测日及相似日
4.4.2 建立改进Elman神经网络预测模型
4.4.3 实例预测及结果分析
4.5主成分分析法优化Elman神经网络
4.5.1 主成分分析法的基本原理
4.5.2 主成分分析法的计算步骤
4.6 PCA-Elman神经网络预测模型应用
4.6.1 选取预测日及相似日
4.6.2 对气象因素作主成分提取
4.6.3 建立PCA-Elman神经网络预测模型
4.6.4 实例预测及结果分析
4.7 本章小结
5 基于粒子群算法优化Elman神经网络的短期光伏发电功率预测研究
5.1 标准粒子群优化算法(PSO)
5.1.1 PSO算法的基本原理
5.1.2 PSO算法的寻优流程
5.1.3 PSO算法的优缺点分析
5.2 改进粒子群优化算法(IPSO)
5.2.1 参数自适应调整
5.2.2 混沌初始化
5.2.3 早熟判别及变异操作
5.2.4 IPSO算法性能测试
5.3 建立IPSO-Elman神经网络预测模型
5.4 PCA-IPSO-Elman神经网络预测模型应用
5.4.1 选取预测日及相似日
5.4.2 实例预测及结果分析
5.5 本章小结
6 结论与展望
6.1 结论
6.2 展望
致谢
参考文献
攻读学位期间的研究成果