| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题的研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.2.1 大数据技术研究现状 | 第8-9页 |
| 1.2.2 风电大数据应用现状 | 第9-10页 |
| 1.2.3 SCADA系统在风电机组状态监测的研究现状 | 第10-11页 |
| 1.2.4 数据挖掘方法研究现状 | 第11-12页 |
| 1.2.5 国内风电机运行状态监测研究现状 | 第12页 |
| 1.2.6 国外风电机运行状态监测研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 第2章 风电机组基本结构和典型故障 | 第15-24页 |
| 2.1 风力发电机基本结构 | 第15页 |
| 2.2 风电机组主要部件及故障 | 第15-22页 |
| 2.2.1 发电机 | 第15-16页 |
| 2.2.2 风轮 | 第16-17页 |
| 2.2.3 齿轮箱 | 第17-18页 |
| 2.2.4 变桨系统 | 第18-19页 |
| 2.2.5 偏航系统 | 第19-20页 |
| 2.2.6 液压系统 | 第20页 |
| 2.2.7 SCADA系统 | 第20-22页 |
| 2.3 小结 | 第22-24页 |
| 第3章 数据挖掘技术的基本理论 | 第24-34页 |
| 3.1 APRIORI数据挖掘算法 | 第25-27页 |
| 3.2 SMOTE平衡算法 | 第27-28页 |
| 3.3 逻辑回归模型 | 第28-29页 |
| 3.4 随机森林模型 | 第29-31页 |
| 3.5 聚类分析算法 | 第31-32页 |
| 3.6 非线性状态估计(NEST)方法 | 第32-33页 |
| 3.7 小结 | 第33-34页 |
| 第4章 基于SCADA数据的发电机预警模型 | 第34-45页 |
| 4.1 SCADA数据准备和影响发电机温度因素分析 | 第35-36页 |
| 4.1.1 风电机组SCADA数据的选取 | 第35页 |
| 4.1.2 影响风力发电机温度因素定性分析 | 第35-36页 |
| 4.2 发电机故障预警建模 | 第36-41页 |
| 4.2.1 数据预处理 | 第36-38页 |
| 4.2.2 构建模型 | 第38-41页 |
| 4.2.3 模型工作流程 | 第41页 |
| 4.3 算例分析与模型验证 | 第41-44页 |
| 4.4 小结 | 第44-45页 |
| 第5章 基于大数据分析的风电机组状态监测系统 | 第45-53页 |
| 5.1 系统整体构成 | 第45-46页 |
| 5.2 技术架构 | 第46-48页 |
| 5.3 数据的采集及数据库 | 第48-50页 |
| 5.3.1 表和字段设计 | 第48-49页 |
| 5.3.2 数据采集优化 | 第49页 |
| 5.3.3 数据库权限管理 | 第49页 |
| 5.3.4 数据解析处理 | 第49-50页 |
| 5.4 分析模型的集成 | 第50页 |
| 5.5 系统运行结果 | 第50-52页 |
| 5.6 小结 | 第52-53页 |
| 第6章 结论 | 第53-55页 |
| 6.1 结论 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 作者简介 | 第60-61页 |
| 攻读硕士学位期间研究成果 | 第61页 |