风机异常状态监测与关键参数预测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题背景及研究意义 | 第10-13页 |
| 1.2 风电机组异常监测研究现状 | 第13-16页 |
| 1.2.1 机组子系统或部件的状态监测 | 第13-16页 |
| 1.2.2 风电机组整体性能评估 | 第16页 |
| 1.3 风电机组参数预测研究现状 | 第16-17页 |
| 1.4 研究现状分析 | 第17-18页 |
| 1.5 本文的主要研究内容 | 第18-20页 |
| 第2章 风电机组及SCADA系统分析 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 风电机组简介 | 第20-25页 |
| 2.2.1 风电机组分类 | 第20-22页 |
| 2.2.2 风电机组构成及工作原理 | 第22-25页 |
| 2.3 SCADA系统分析 | 第25-28页 |
| 2.3.1 SCADA系统简介 | 第25-26页 |
| 2.3.2 SCADA系统监测性能分析 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 风电机组异常状态监测方法研究 | 第29-49页 |
| 3.1 引言 | 第29页 |
| 3.2 风电机组异常状态分析 | 第29-31页 |
| 3.2.1 风电机组异常状态机理 | 第29-30页 |
| 3.2.2 特征参数选择 | 第30-31页 |
| 3.3 基于灰色关联度的变量选取研究 | 第31-35页 |
| 3.3.1 灰色关联分析原理 | 第31-32页 |
| 3.3.2 对SCADA数据的灰色关联度分析 | 第32-35页 |
| 3.4 支持向量域数据描述算法原理与仿真 | 第35-42页 |
| 3.4.1 SVDD算法原理 | 第36-40页 |
| 3.4.2 基于标准数据集的仿真分析 | 第40-42页 |
| 3.5 风电机组齿轮箱异常状态监测 | 第42-48页 |
| 3.5.1 总体方案设计 | 第42-43页 |
| 3.5.2 齿轮箱信号相关分析 | 第43-46页 |
| 3.5.3 齿轮箱信号SVDD建模分析 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 风电机组关键参数预测方法研究 | 第49-63页 |
| 4.1 引言 | 第49页 |
| 4.2 风电机组的风能特性 | 第49-50页 |
| 4.2.1 风特性 | 第49页 |
| 4.2.2 风速预测关键性 | 第49-50页 |
| 4.3 基于EEMD与AR建模的风速预测 | 第50-55页 |
| 4.3.1 EEMD算法 | 第50-53页 |
| 4.3.2 AR建模方法 | 第53-54页 |
| 4.3.3 EEMD-AR集成预测方法 | 第54-55页 |
| 4.4 风速预测实例分析 | 第55-62页 |
| 4.4.1 10分钟平均风速预测 | 第55-57页 |
| 4.4.2 1 分钟平均风速预测 | 第57-59页 |
| 4.4.3 1 秒钟平均风速预测 | 第59-62页 |
| 4.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 作者简介 | 第72页 |
