针对光伏发电功率预测精度不高的问题，提出一种基于相似日和云自适应粒子群优化(CAPSO)算法优化Spiking神经网络(SNN)的发电功率预测模型。考虑到季节类型、天气类型和气象等主要影响因素，提出以综合相似度指标进行相似日选取；以SNN强大的计算能力和其善于处理时间序列问题的特点为基础，结合CAPSO算法搜索的随机性和稳定性优化SNN的多突触连接权值，减少对权值的约束，提高算法的收敛精度。根据某光伏电站的实测功率数据对所提模型进行测试和评估，结果表明，该模型比传统预测模型具有更高的预测精度和更好的适用性。

基于Matlab-Simulink的三相光伏发电并网系统的仿真详细报告

一般我们将光伏系统分为独立系统、并网系统和混合系统。如果根据太阳能光伏系统的应用形式，应用规模和负载的类型，对光伏供电系统进行比较细致的划分。

基于神经网络的短期光伏预测方法通常需要大量训练样本，对于新投运的光伏电站，历史运行数据的不足使得常规短期光伏预测方法难以应用。针对该问题，提出一种适用于小样本的双层神经网络单步光伏预测方法。根据光伏发电各环节影响因素的解耦特性，将常规单层神经网络拆分为双层网络，使每层网络具有简化的结构；用单步预测代替多步预测，降低神经网络的输入输出维数；基于统计分析，将天气影响因素有效整合到预测模型中，简化输入输出之间的映射关系。使用实际数据对所提光伏预测模型进行训练和验证，结果表明，所提方法可有效减少对训练样本数量的需求，同时保证预测的准确度。

PSCAD中的微电网光伏发电系统及其逆变模型，模拟实际光伏发电特性搭建光伏系统仿真模块，实现DC向AC的逆变，供学者借鉴学习。

本文介绍了一种基于单片机的太阳能控制器，系统使用低功耗、高性能的AT89S51单片机作为控制电路的核心器件。此系统由太阳能电池模块，蓄电池，充放电电路，电压采集电路，单片机控制电路和光耦驱动电路组成。设计使用PWM（脉宽调制）控制技术来控制蓄电池充放电，通过控制MOSFET管开启和关闭达到控制电池充放电的目的。实验结果表明，该控制器性能可靠，可以监视太阳能电池和蓄电池电池状态，实现控制蓄电池最优充放电，达到延长蓄电池的使用寿命

光伏设备的最大功率点跟踪技术，并不严格限于光伏技术，也可以经过改动用于电池储能等方面。

针对光伏发电的不确定性导致频率波动和电力系统不稳定带来的不利影响，本文采用改进模块化神经网络（MNN）对光伏发电功率进行预测，即利用回声状态网络代替MNN中原训练子模块模型。首先按季节输入历史数据；再经任务分解模块将数据分为不同天气类型的子数据，与预测日及预测日前一日的平均温度作为子模型输入样本；利用回声状态网络作为预测子模型，对相应输入样本训练与发电功率预测；最后经整合输出模块输出预测结果。结果表明，此方法较本文选用的其他方法预测精度提高28%以上。

光伏发电工程设计概算软件

光伏发电的MATLAB并网仿真，模块的搭建与连接