| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1．绪论 | 第10-21页 |
| ·课题研究背景和意义 | 第10-15页 |
| ·研究背景 | 第10-11页 |
| ·国内外发展现状 | 第11-13页 |
| ·风力发电机故障诊断发展及现状 | 第13-14页 |
| ·集成学习发展及现状 | 第14-15页 |
| ·风力发电机仿真及意义 | 第15-16页 |
| ·风力发电机控制系统故障 | 第16-18页 |
| ·本课题研究内容和论文结构 | 第18-21页 |
| ·本课题研究内容 | 第18-20页 |
| ·论文结构安排 | 第20-21页 |
| 2．风电系统模型建模 | 第21-33页 |
| ·风电系统组成 | 第21-23页 |
| ·风力机模型 | 第23-25页 |
| ·DFIG 模型 | 第25-31页 |
| ·DFIG 在 abc 坐标下的模型 | 第25-28页 |
| ·磁链为变量的模型 | 第28-31页 |
| ·控制系统模型 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3．风电控制系统故障仿真 | 第33-40页 |
| ·风机传感器故障模型 | 第33-35页 |
| ·风电系统控制系统故障仿真 | 第35-39页 |
| ·单一故障设置及数据采集 | 第36-37页 |
| ·并发故障设置及数据采集 | 第37-39页 |
| ·本章小结 | 第39-40页 |
| 4. 支持向量分类器与集成分类器算法 | 第40-48页 |
| ·支持向量机算法 | 第40-43页 |
| ·支持向量分类 | 第40-42页 |
| ·SVM 的优点 | 第42-43页 |
| ·集成学习算法 | 第43-46页 |
| ·Bagging 算法 | 第44页 |
| ·Boosting 算法 | 第44-46页 |
| ·Bagging 和 Boosting 算法的比较 | 第46页 |
| ·支持向量机与集成学习相结合的 Bagging-SVM 算法 | 第46-47页 |
| ·本章小结 | 第47-48页 |
| 5. 风电控制系统并发故障的集成诊断方法 | 第48-65页 |
| ·SVM 方法的故障诊断与分析 | 第48-53页 |
| ·SVM 方法故障诊断原理 | 第48-49页 |
| ·SVM 方法参数优化 | 第49-51页 |
| ·SVM 方法故障数据分析 | 第51-53页 |
| ·Bagging-SVM 方法故障诊断与分析 | 第53-56页 |
| ·Bagging-SVM 方法故障诊断原理 | 第53-54页 |
| ·Bagging-SVM 方法故障数据分析 | 第54-56页 |
| ·基于编码方案的集成诊断与分析 | 第56-62页 |
| ·并发故障诊断原理 | 第56-58页 |
| ·并发故障数据分析 | 第58-62页 |
| ·三种方法诊断结果分析 | 第62页 |
| ·集成诊断方法的推广使用 | 第62-63页 |
| ·本章小结 | 第63-65页 |
| 6. 结论与展望 | 第65-68页 |
| ·论文主要结论 | 第65-66页 |
| ·论文研究展望 | 第66-68页 |
| 附录A 单一故障数据 | 第68-69页 |
| 附录B 并发故障数据 | 第69-70页 |
| 附录C SVM 程序 | 第70-72页 |
| 附录D Bagging-SVM 程序 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第79-80页 |
| 致谢 | 第80页 |