| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 研究背景及意义 | 第10-16页 |
| 1.1.1 全球和我国风电发展现状 | 第10-13页 |
| 1.1.2 研究背景 | 第13-15页 |
| 1.1.3 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 风电机组最大风能捕获控制策略的研究现状 | 第16-18页 |
| 1.2.2 神经网络的研究现状 | 第18-19页 |
| 1.3 研究内容及结构 | 第19-21页 |
| 1.3.1 研究内容 | 第19页 |
| 1.3.2 论文结构 | 第19-21页 |
| 第2章 最大风能捕获基本理论及风电机组建模 | 第21-32页 |
| 2.1 引言 | 第21页 |
| 2.2 最大风能捕获的基本理论 | 第21-27页 |
| 2.2.1 风电机组的基本特性 | 第21-22页 |
| 2.2.2 风电机组的出力特性 | 第22-23页 |
| 2.2.3 风电机组控制状态量 | 第23-24页 |
| 2.2.4 最大风能捕获的基本控制原理 | 第24-27页 |
| 2.3 风电机组建模 | 第27-31页 |
| 2.3.1 风电机组模型的功率特性分析 | 第27-28页 |
| 2.3.2 风模型 | 第28-29页 |
| 2.3.3 风电机组模型仿真 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 最大风能捕获自学习算法 | 第32-42页 |
| 3.1 引言 | 第32页 |
| 3.2 最大风能捕获自学习算法的基本控制理论 | 第32-34页 |
| 3.3 BP神经网络模型的基本理论 | 第34-41页 |
| 3.3.1 人工神经元模型 | 第34-35页 |
| 3.3.2 神经网络模型 | 第35页 |
| 3.3.3 BP算法 | 第35-38页 |
| 3.3.4 BP神经网络模型 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 BP神经网络模型的搭建 | 第42-68页 |
| 4.1 引言 | 第42页 |
| 4.2 BP神经网络模型的初始化 | 第42-47页 |
| 4.2.1 训练数据样本选择 | 第42-43页 |
| 4.2.2 输入输出数据的归一化 | 第43页 |
| 4.2.3 模型参数的初始化 | 第43-47页 |
| 4.3 模型基本参数的确定 | 第47-63页 |
| 4.3.1 学习速率的确定 | 第47-50页 |
| 4.3.2 批量计算步长的确定 | 第50-54页 |
| 4.3.3 输出层函数形式的确定 | 第54-56页 |
| 4.3.4 预测时间尺度的确定 | 第56-59页 |
| 4.3.5 隐层神经元数的确定 | 第59-61页 |
| 4.3.6 BP神经网络模型参数统计 | 第61-63页 |
| 4.4 验证模型预测的整体可靠性 | 第63-67页 |
| 4.4.1 平均风速相同的湍流风况 | 第63-65页 |
| 4.4.2 平均风速不同的湍流风况 | 第65-67页 |
| 4.5 本章小结 | 第67-68页 |
| 第5章 最大风能捕获自学习算法的控制结果分析 | 第68-77页 |
| 5.1 引言 | 第68页 |
| 5.2 学习数据样本对应的湍流风况 | 第68-69页 |
| 5.3 平均风速相同的湍流风况 | 第69-73页 |
| 5.4 平均风速不同的湍流风况 | 第73-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第6章 结论与展望 | 第77-79页 |
| 6.1 结论 | 第77-78页 |
| 6.2 创新点 | 第78页 |
| 6.3 展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第83-84页 |
| 致谢 | 第84页 |