- 文献综述（或调研报告）：
- 光伏功率预测方法
随着大规模并网光伏发电系统的深入研究以及广泛应用，为了缓解光伏发电因其波动性和间歇性在大规模并网过程中对电力系统带来的不利影响，光伏发电功率短期预测技术受到了广泛的关注，成为光伏发电系统研究中的重要内容之一。从预测方式上来看，光伏发电功率预测可分为直接预测和间接预测两类。
（1）间接预测方法
文献[1]根据欧洲中尺度天气预报中心(ECMWF， the European Centre for Medium Range Weather Forecasts)提供的未来3天的气象预报数据来预测德国境内光伏电站输出功率，重点研究了太阳辐射强度预测方法，太阳辐射强度的预测是光伏发电系统输出功率预测基础。该文献还研究了方法的具体实现以及预测评估。
文献[2]基于仿真模型对光伏阵列的电气特性进行了研究。该文献基于单个太阳能电池物理特性，利用Matlab/Simulink模块，建立起了光伏阵列的仿真模型，该模型能够分析随着太阳辐射强度和温度变化时光伏阵列的P-V和I-V特性，模型较为简单，实用性较强。
文献[3]提供了一种太阳辐射强度的预测方法。利用每三个小时的气象天气预报，对每小时总辐射量进行预测，根据十四种不同天气类型模型对预测值进行修正，以此得到辐射值，最后利用修正后的辐射值，再结合光伏阵列电气特性对光伏发电系统输出功率进行预测。
文献[4]对光伏发电系统发电量的计算进行了研究。详细探讨了光伏阵列和逆变器的模型公式，并提供了利用太阳辐射强度值再结合模型公式计算光伏发电系统发电量的方法。
文献[5]以实测的太阳辐射强度值以及光伏阵列板温度作为输入，对应条件下的实测I-V曲线作为输出，采用了人工神经网络(Artificial Neural Network, ANN)的方法建立了光伏发电系统发电量与太阳辐射强度值、光伏阵列板温度之间的函数关系。
文献[6]利用了三种不同的人工神经网络对太阳辐射强度进行预测，再根据光伏阵列转换模型，采用太阳辐射强度预测值对光伏发电系统输出功率进行计算。此文采用了前馈神经网络(Feed-forward Neural Network, FFNN)、径向基函数神经网络(Radial Basis Function Neural Network, RBFNN)和递归神经网络(Recurrent Neural Network, RNN)这三种不同的人工神经网络，并进行了对比研究。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
