| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-14页 |
| 1.1 论文的选题背景和研究意义 | 第9-10页 |
| 1.1.1 论文的研究背景 | 第9-10页 |
| 1.1.2 论文的研究意义 | 第10页 |
| 1.2 风电机组非正常工况预测的研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 论文的主要研究内容 | 第12-14页 |
| 2 风电机组运行工况划分 | 第14-37页 |
| 2.1 双馈风电机组 | 第14-15页 |
| 2.1.1 双馈风电机组结构 | 第14-15页 |
| 2.1.2 双馈风力发电机运行理论 | 第15页 |
| 2.2 风电机组运行工况 | 第15-19页 |
| 2.2.1 单参数划分风电机组运行工况 | 第16-17页 |
| 2.2.2 多参数划分风电机组运行工况 | 第17-19页 |
| 2.3 风电机组主要部件故障特征分析 | 第19-24页 |
| 2.3.1 齿轮箱典型故障特征分析 | 第19-21页 |
| 2.3.2 齿轮箱典型部件特征频率计算 | 第21-23页 |
| 2.3.3 发电机轴承典型故障特征分析 | 第23-24页 |
| 2.3.4 发电机轴承特征频率计算 | 第24页 |
| 2.4 特征提取 | 第24-32页 |
| 2.4.1 数据预处理 | 第25-26页 |
| 2.4.2 小波包理论 | 第26-27页 |
| 2.4.3 基于小波包的齿轮箱振动信号特征提取 | 第27-31页 |
| 2.4.4 基于小波包的发电机轴承振动信号特征提取 | 第31-32页 |
| 2.5 基于k-means聚类算法的风电机组运行工况划分 | 第32-36页 |
| 2.5.1 k-means聚类算法 | 第32-33页 |
| 2.5.2 风电机组运行工况划分 | 第33-34页 |
| 2.5.3 评价风电机组状态参数异常的准则 | 第34-36页 |
| 2.6 小结 | 第36-37页 |
| 3 基于支持向量机的风电机组运行工况辨识 | 第37-43页 |
| 3.1 支持向量机 | 第37-38页 |
| 3.2 基于SVM的风电机组运行工况辨识 | 第38-39页 |
| 3.3 基于GA-SVM的风电机组运行工况辨识 | 第39-42页 |
| 3.3.1 算法实现 | 第39-41页 |
| 3.3.2 工况辨识 | 第41-42页 |
| 3.4 小结 | 第42-43页 |
| 4 风电机组状态参数预测 | 第43-62页 |
| 4.1 预测模型 | 第44-49页 |
| 4.1.1 GA-PSO-BP神经网络预测模型 | 第44-46页 |
| 4.1.2 GA-SVM预测模型 | 第46-47页 |
| 4.1.3 PSO-SVM预测模型 | 第47-48页 |
| 4.1.4 预测模型评价 | 第48-49页 |
| 4.2 温度参数预测 | 第49-55页 |
| 4.2.1 齿轮箱温度参数预测 | 第49-55页 |
| 4.2.2 发电机温度特征预测 | 第55页 |
| 4.3 振动特征预测 | 第55-61页 |
| 4.3.1 齿轮箱振动特征预测 | 第56-60页 |
| 4.3.2 发电机振动特征预测 | 第60-61页 |
| 4.4 小结 | 第61-62页 |
| 5 基于运行工况辨识的风电机组非正常工况评估 | 第62-72页 |
| 5.1 模糊综合评价理论 | 第62-65页 |
| 5.1.1 模糊综合评判 | 第62-63页 |
| 5.1.2 确定评判指标隶属度函数 | 第63-65页 |
| 5.2 变权理论 | 第65-66页 |
| 5.3 风电机组运行工况模糊综合评价模型 | 第66-68页 |
| 5.3.1 风电机组运行工况层次分析 | 第66-67页 |
| 5.3.2 常权权值 | 第67页 |
| 5.3.3 评价结果综合 | 第67-68页 |
| 5.4 基于运行工况辨识的风电机组非正常工况评估 | 第68-71页 |
| 5.5 小结 | 第71-72页 |
| 结论 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
| 攻读学位期间研究成果 | 第78页 |