基于大数据分析的风电机组运行状态评估方法研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-22页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-18页 |
| 1.2.1 大数据分析技术的研究现状 | 第11-13页 |
| 1.2.2 风电机组运行状态预测的研究现状 | 第13-15页 |
| 1.2.3 风电机组系统运行状态评估的研究现状 | 第15-16页 |
| 1.2.4 风电机组故障预测的研究现状 | 第16-17页 |
| 1.2.5 研究现状总结 | 第17-18页 |
| 1.3 论文的工作安排及总体框架 | 第18-22页 |
| 第2章 风电机组运行状态预测方法研究 | 第22-42页 |
| 2.1 状态预测方法概述及流程 | 第22-24页 |
| 2.2 基于SVR算法的回归预测模型 | 第24-29页 |
| 2.2.1 支持向量回归理论 | 第24-26页 |
| 2.2.2 输入向量的提取 | 第26-28页 |
| 2.2.3 确定核函数 | 第28-29页 |
| 2.2.4 参数寻优及软件环境 | 第29页 |
| 2.3 基于马尔科夫链理论的修正策略 | 第29-35页 |
| 2.3.1 MC理论及流程 | 第29-31页 |
| 2.3.2 状态转移概率 | 第31-33页 |
| 2.3.3 状态划分方法 | 第33-34页 |
| 2.3.4 修正策略 | 第34-35页 |
| 2.4 状态预测结果的不确定性分析 | 第35-36页 |
| 2.5 实例验证 | 第36-41页 |
| 2.6 本章小结 | 第41-42页 |
| 第3章 风电机组系统运行状态实时评估方法研究 | 第42-72页 |
| 3.1 实时评估方法概述及流程 | 第42-43页 |
| 3.2 风电机组系统运行状态的模糊综合评价 | 第43-51页 |
| 3.2.1 评估等级的确定 | 第44页 |
| 3.2.2 评估指标体系的建立 | 第44-45页 |
| 3.2.3 权重向量的分配 | 第45-47页 |
| 3.2.4 隶属度矩阵的建立 | 第47-49页 |
| 3.2.5 模糊综合评价结果的合成 | 第49-50页 |
| 3.2.6 评估策略 | 第50-51页 |
| 3.3 动态劣化度及其计算方法 | 第51-55页 |
| 3.3.1 传统劣化度的概念及不足 | 第52-53页 |
| 3.3.2 动态劣化度的计算 | 第53-55页 |
| 3.4 动态云隶属度矩阵的建立 | 第55-63页 |
| 3.4.1 正态云模型 | 第56-61页 |
| 3.4.2 动态云隶属度的求取 | 第61-63页 |
| 3.5 算例分析 | 第63-69页 |
| 3.5.1 数据分析 | 第63-65页 |
| 3.5.2 风电机组系统运行状态实时评估 | 第65-68页 |
| 3.5.3 评估结果对比分析 | 第68-69页 |
| 3.6 本章小结 | 第69-72页 |
| 第4章 风电机组故障预测方法研究 | 第72-86页 |
| 4.1 故障预测方法及流程 | 第72-74页 |
| 4.2 基于SVR算法的状态趋势预测模型 | 第74-76页 |
| 4.2.1 输入输出量的选取 | 第74-75页 |
| 4.2.2 预测趋势状态分析 | 第75-76页 |
| 4.3 基于正态云模型的定性概念预测策略 | 第76-79页 |
| 4.3.1 改进无确定度逆向正态云模型发生器 | 第76-77页 |
| 4.3.2 定性概念预测策略 | 第77-79页 |
| 4.4 实例分析 | 第79-84页 |
| 4.4.1 预测趋势特征分析 | 第79-82页 |
| 4.4.2 预测趋势的数字特征提取 | 第82页 |
| 4.4.3 故障预测模型可行性验证 | 第82-84页 |
| 4.5 本章小结 | 第84-86页 |
| 第5章 总结与展望 | 第86-90页 |
| 5.1 全文总结 | 第86-87页 |
| 5.2 工作展望 | 第87-90页 |
| 参考文献 | 第90-96页 |
| 致谢 | 第96-98页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第98页 |
