| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 选题背景及研究意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 基于模型的风电系统故障诊断方法 | 第13-15页 |
| 1.2.2 数据驱动型风电系统故障诊断方法 | 第15-16页 |
| 1.2.3 现存方法总结 | 第16页 |
| 1.3 主要工作及技术路线 | 第16-19页 |
| 1.3.1 主要工作 | 第16-17页 |
| 1.3.2 技术路线 | 第17-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 第二章 风力发电系统原理及用于FDI的仿真平台搭建 | 第20-46页 |
| 2.1 引言 | 第20页 |
| 2.2 风力发电系统描述 | 第20-32页 |
| 2.2.1 风力发电机基本工作原理 | 第20-22页 |
| 2.2.2 风力发电机分类 | 第22-23页 |
| 2.2.3 风力发电机主要组件及其常见故障 | 第23-32页 |
| 2.3 风力发电系统仿真实验平台搭建 | 第32-45页 |
| 2.3.1 风力发电机建模 | 第32-38页 |
| 2.3.2 风机基准模型故障情景概述 | 第38-39页 |
| 2.3.3 风电场建模 | 第39-44页 |
| 2.3.4 风电场基准模型故障概述 | 第44-45页 |
| 2.4 本章小结 | 第45-46页 |
| 第三章 深度学习算法原理及其开发平台搭建 | 第46-61页 |
| 3.1 引言 | 第46-47页 |
| 3.2 深度置信网络(DBN)构建 | 第47-51页 |
| 3.2.1 受限玻尔兹曼机 | 第47-49页 |
| 3.2.2 受限玻尔兹曼机的训练 | 第49-50页 |
| 3.2.3 DBN的训练 | 第50-51页 |
| 3.3 长短期记忆网络(LSTM)构建 | 第51-55页 |
| 3.3.1 循环神经网络(RNN) | 第51-52页 |
| 3.3.2 梯度消失与膨胀 | 第52-53页 |
| 3.3.3 LSTM自循环 | 第53页 |
| 3.3.4 LSTM网络门结构 | 第53-55页 |
| 3.3.5 LSTM训练 | 第55页 |
| 3.4 开发环境搭建 | 第55-60页 |
| 3.4.1 开发平台选择 | 第55-57页 |
| 3.4.2 开发硬件准备 | 第57页 |
| 3.4.3 开发软件准备 | 第57-60页 |
| 3.5 本章小结 | 第60-61页 |
| 第四章 仿真测试及结果分析 | 第61-84页 |
| 4.1 引言 | 第61-62页 |
| 4.2 基于DBN的风机故障在线诊断仿真及结果分析 | 第62-70页 |
| 4.2.1 基于DBN的风机FDI策略设计 | 第62-63页 |
| 4.2.2 仿真结果及分析 | 第63-69页 |
| 4.2.3 鲁棒性测试 | 第69-70页 |
| 4.3 基于数据驱动型残差分析的风电场故障诊断仿真及结果分析 | 第70-82页 |
| 4.3.1 数据驱动型残差分析方法构建 | 第70-74页 |
| 4.3.2 仿真结果及分析 | 第74-82页 |
| 4.4 本章小结 | 第82-84页 |
| 第五章 结论及展望 | 第84-87页 |
| 5.1 结论 | 第84页 |
| 5.2 展望 | 第84-87页 |
| 参考文献 | 第87-93页 |
| 攻读硕士学位期间取得的研究成果 | 第93-95页 |
| 致谢 | 第95-96页 |
| 答辩委员会对论文的评定意见 | 第96页 |
