| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 故障诊断方法研究现状 | 第10-15页 |
| 1.2.1 故障特征提取技术 | 第11-12页 |
| 1.2.2 模式识别方法 | 第12-15页 |
| 1.3 论文主要研究内容及结构安排 | 第15-17页 |
| 2 光伏逆变电路故障建模分析及极值比值特征量提取方法研究 | 第17-31页 |
| 2.1 光伏逆变电路故障简介 | 第17-18页 |
| 2.2 光伏逆变电路故障类别 | 第18-19页 |
| 2.3 光伏电路仿真平台搭建及故障仿真 | 第19-25页 |
| 2.3.1 光伏电路仿真平台搭建 | 第19-20页 |
| 2.3.2 故障仿真 | 第20-25页 |
| 2.4 训练数据和测试数据生成 | 第25-26页 |
| 2.4.1 训练数据生成 | 第25页 |
| 2.4.2 测试数据生成 | 第25-26页 |
| 2.5 基于极值比值法的特征量提取 | 第26-30页 |
| 2.5.1 极值比值法特征量原理 | 第26-29页 |
| 2.5.2 极值比值法特征量提取 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 3 基于极值比值和故障编码的光伏逆变器故障诊断方法 | 第31-37页 |
| 3.1 故障编码 | 第31-33页 |
| 3.2 故障诊断步骤及诊断结果 | 第33-36页 |
| 3.3 本章小结 | 第36-37页 |
| 4 基于极值比值和GA-BP分类器的光伏逆变器故障诊断方法 | 第37-54页 |
| 4.1 神经网络简介 | 第37-40页 |
| 4.1.1 BP神经网络 | 第37-39页 |
| 4.1.2 BP网络用于故障诊断的设计步骤 | 第39-40页 |
| 4.2 遗传算法 | 第40-42页 |
| 4.2.1 遗传算法简介 | 第40页 |
| 4.2.2 遗传算法中的运行过程 | 第40-42页 |
| 4.3 极值比值法和GA-BP分类器用于光伏逆变电路的故障诊断 | 第42-49页 |
| 4.3.1 遗传算法优化BP网络的实现 | 第43-44页 |
| 4.3.2 算例分析 | 第44-49页 |
| 4.4 复合极值比值法和GA-BP分类器用于光伏逆变电路的故障诊断 | 第49-53页 |
| 4.4.1 复合极值比值法提取 | 第49-51页 |
| 4.4.2 算例分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 基于极值比值和S_Kohonen分类器的光伏逆变器故障诊断方法 | 第54-68页 |
| 5.1 Kohonen网络的基本原理 | 第54-59页 |
| 5.1.1 Kohonen网络侧向交互原理 | 第54-55页 |
| 5.1.2 Kohonen网络二维阵列模型 | 第55-56页 |
| 5.1.3 Kohonen网络的学习算法 | 第56-58页 |
| 5.1.4 S_Kohonen神经网络 | 第58页 |
| 5.1.5 S_Kohonen神经网络的实现步骤 | 第58-59页 |
| 5.2 极值比值法和S_Kohonen分类器用于光伏逆变电路的故障诊断 | 第59-66页 |
| 5.2.1 S_Kohonen神经网络模型建立 | 第59-61页 |
| 5.2.2 算例分析 | 第61-66页 |
| 5.3 本章小结 | 第66-68页 |
| 6 分类算法对比 | 第68-70页 |
| 6.1 分类算法结果对比 | 第68-69页 |
| 6.2 总结 | 第69-70页 |
| 7 总结与展望 | 第70-72页 |
| 7.1 全文总结 | 第70-71页 |
| 7.2 展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第77-78页 |
| 致谢 | 第78-79页 |
