| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 能源互联网的提出 | 第10-11页 |
| 1.2.2 故障预警技术的国外研究现状 | 第11-12页 |
| 1.2.3 故障预警技术的国内研究现状 | 第12页 |
| 1.3 论文主要内容 | 第12-13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第二章 风能信息网络和风机故障预警技术 | 第15-23页 |
| 2.1 风能信息网络的概念及特征 | 第15-16页 |
| 2.1.1 基于能源互联网的风能信息网络概念及架构 | 第15-16页 |
| 2.1.2 风能信息网络的特点及应用 | 第16页 |
| 2.2 风力发电机故障预警技术 | 第16-17页 |
| 2.2.1 故障预警技术简介 | 第16-17页 |
| 2.2.2 故障预警经典模型 | 第17页 |
| 2.3 基于数据挖掘的风机故障预警技术 | 第17-21页 |
| 2.3.1 数据挖掘简介 | 第17-18页 |
| 2.3.2 数据挖掘过程 | 第18-19页 |
| 2.3.3 数据挖掘经典算法 | 第19-20页 |
| 2.3.4 数据挖掘在风机故障预警中的应用 | 第20-21页 |
| 2.4 本章小结 | 第21-23页 |
| 第三章 风机齿轮箱的故障预警技术 | 第23-35页 |
| 3.1 风机齿轮箱故障预警建模 | 第24-25页 |
| 3.2 风机SCADA系统的数据预处理 | 第25-32页 |
| 3.2.1 数据预处理简介 | 第25页 |
| 3.2.2 SCADA数据预处理 | 第25-31页 |
| 3.2.3 SCADA数据特征提取 | 第31-32页 |
| 3.3 风机齿轮箱故障预警模型整体流程 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 故障预警算法仿真与结果分析 | 第35-49页 |
| 4.1 数据挖掘算法和仿真结果分析 | 第35-45页 |
| 4.1.1 线性回归 | 第35-37页 |
| 4.1.2 支持向量机 | 第37-41页 |
| 4.1.3 BP神经网络 | 第41-45页 |
| 4.1.4 针对风机齿轮箱的故障预警算法总结 | 第45页 |
| 4.2 风机齿轮箱故障判定及预警结果展示 | 第45-48页 |
| 4.2.1 故障判定方法 | 第45-46页 |
| 4.2.2 故障预警结果展示 | 第46-48页 |
| 4.3 风机齿轮箱的故障预警方法分析 | 第48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 风场故障预警系统平台研发 | 第49-59页 |
| 5.1 平台设计理念和思路 | 第49页 |
| 5.2 平台的具体实现 | 第49-58页 |
| 5.2.1 离线研究平台 | 第50-55页 |
| 5.2.2 在线监测平台 | 第55-58页 |
| 5.3 本论文平台优势及待改进部分 | 第58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结和展望 | 第59-61页 |
| 6.1 研究工作总结 | 第59页 |
| 6.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文目录 | 第66页 |