| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 选题背景及其意义 | 第9-11页 |
| 1.2 国内外研究动态 | 第11-14页 |
| 1.2.1 基于实时运行数据的故障预测技术 | 第11-12页 |
| 1.2.2 基于历史运行数据的故障预测技术 | 第12-14页 |
| 1.3 论文的主要研究内容 | 第14-15页 |
| 第2章 研究对象与研究方法相关问题分析 | 第15-23页 |
| 2.1 风电机组故障树分析技术 | 第15-19页 |
| 2.1.1 故障树分析理论 | 第15-16页 |
| 2.1.2 风电机组故障树 | 第16-19页 |
| 2.2 故障预测技术概述 | 第19-21页 |
| 2.2.1 故障预测定义 | 第19-20页 |
| 2.2.2 故障预测等级 | 第20页 |
| 2.2.3 与故障诊断的区别与联系 | 第20-21页 |
| 2.3 风电机组故障预测技术的重点和难点解析 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 风电机组故障建模理论与实例 | 第23-34页 |
| 3.1 功率特性分析理论 | 第23-24页 |
| 3.1.1 功率散点分析法 | 第23-24页 |
| 3.1.2 功率曲线分析法 | 第24页 |
| 3.2 最小二乘支持向量机理论 | 第24-27页 |
| 3.2.1 统计学习理论 | 第24-25页 |
| 3.2.2 支持向量机理论 | 第25-27页 |
| 3.2.3 最小二乘支持向量机理论 | 第27页 |
| 3.3 基于趋势分析技术的故障模型实例 | 第27-33页 |
| 3.3.1 偏航系统误差模型 | 第27-29页 |
| 3.3.2 变桨系统桨距角模型 | 第29-31页 |
| 3.3.3 齿轮箱温度模型 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于功率特性的风电机组异常识别与故障预测方法 | 第34-44页 |
| 4.1 数据采集与处理 | 第34页 |
| 4.2 风电机组状态异常原因分析 | 第34-35页 |
| 4.3 统计过程控制技术 | 第35-37页 |
| 4.4 改进的功率特性模型 | 第37-41页 |
| 4.4.1 功率散点模型 | 第37-40页 |
| 4.4.2 功率曲线模型 | 第40-41页 |
| 4.5 实例验证 | 第41-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第5章 基于最小二乘支持向量机的风电机组故障预测方法 | 第44-52页 |
| 5.1 数据采集与处理 | 第44-45页 |
| 5.2 风电机组故障特征选择 | 第45-47页 |
| 5.2.1 故障特征选择理论 | 第45-46页 |
| 5.2.2 风电机组故障特征选择 | 第46-47页 |
| 5.3 基于最小二乘支持向量机的改进模型 | 第47-50页 |
| 5.3.1 最小二乘支持向量机模型 | 第47-49页 |
| 5.3.2 组合判定指标和阈值 | 第49-50页 |
| 5.4 实例验证 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第57-58页 |
| 致谢 | 第58页 |