| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 1 绪论 | 第9-16页 |
| ·引言 | 第9-12页 |
| ·风电产业现状及其发展趋势 | 第9-10页 |
| ·论文研究背景 | 第10-11页 |
| ·论文研究意义 | 第11-12页 |
| ·并网风电机组的特征参量统计分析 | 第12-13页 |
| ·并网风电机组特征参量预测 | 第13-15页 |
| ·国外预测方法研究 | 第13-14页 |
| ·国内预测方法研究 | 第14-15页 |
| ·本文研究的主要内容 | 第15-16页 |
| 2 并网风电机组工作原理及其运行特征参量分析 | 第16-26页 |
| ·风电机组简介 | 第16-18页 |
| ·风电机组基本结构 | 第16页 |
| ·风电机组能量转换过程 | 第16-18页 |
| ·并网风电机组的工作原理 | 第18-21页 |
| ·并网风电机工作原理 | 第18页 |
| ·并网风电机控制策略 | 第18-20页 |
| ·风电机组并网对电网的影响 | 第20-21页 |
| ·风电机组运行状况分析 | 第21-23页 |
| ·并网风电机组运行特征量的选择 | 第23-24页 |
| ·小结 | 第24-26页 |
| 3 风电机组特征参量统计数据的预处理 | 第26-32页 |
| ·引言 | 第26页 |
| ·风电机组运行数据的检验 | 第26-27页 |
| ·风电机组故障数据的修正 | 第27-30页 |
| ·风电机组预测数据的转换 | 第30页 |
| ·风电机组预测结果的误差评价指标 | 第30-31页 |
| ·小结 | 第31-32页 |
| 4 基于 BP 神经网络的风电机组状态特征参量预测 | 第32-47页 |
| ·引言 | 第32页 |
| ·BP 神经网络算法 | 第32-38页 |
| ·神经网络算法概述 | 第32-35页 |
| ·BP 神经网络算法 | 第35-38页 |
| ·基于 BP 神经网络的风电机组状态特征参量预测模型 | 第38-41页 |
| ·提前 1 分钟的预测模型 | 第38-39页 |
| ·提前 10 分钟的预测模型 | 第39-40页 |
| ·考虑状态特征量间的相关性的有功功率预测模型 | 第40-41页 |
| ·基于 BP 神经网络预测模型求解算法 | 第41页 |
| ·算例分析 | 第41-45页 |
| ·风电机组的基本情况 | 第41-42页 |
| ·提前 1 分钟的风电机组特征参量的预测 | 第42-43页 |
| ·提前 10 分钟的风电机组特征参量的预测 | 第43-44页 |
| ·考虑状态特征量间的相关性对风电机组有功功率的预测 | 第44-45页 |
| ·小结 | 第45-47页 |
| 5 基于 RBF 神经网络风电机组状态特征参量的预测 | 第47-59页 |
| ·引言 | 第47页 |
| ·RBF 神经网络算法 | 第47-48页 |
| ·基于 RBF 神经网络的风电机组状态特征参量预测模型 | 第48-50页 |
| ·基于 RBF 神经网络的预测模型求解算法 | 第50-51页 |
| ·RBF 数据网络求解算法 | 第50-51页 |
| ·RBF 网络学习算法在 MATLAB 中的实现 | 第51页 |
| ·算例分析 | 第51-55页 |
| ·算例风电机组的基本情况 | 第51-52页 |
| ·提前 1 分钟的风电机组特征参量的预测 | 第52-53页 |
| ·提前 10 分钟的风电机组特征参量的预测 | 第53-54页 |
| ·考虑状态特征量间的相关性对风电机组有功功率的预测 | 第54-55页 |
| ·BP 和 RBF 神经网络预测结果的对比分析 | 第55-58页 |
| ·BP 神经网络模型特性分析 | 第55页 |
| ·RBF 神经网络模型特性分析 | 第55-56页 |
| ·BP 与 RBF 神经网络模型对比分析 | 第56-58页 |
| ·小结 | 第58-59页 |
| 6 结论与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |
| 作者在攻读学位期间发表的论文 | 第66页 |
