| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要研究内容 | 第13-15页 |
| 第2章 风力发电机组故障预警方法 | 第15-25页 |
| 2.1 整体设计方案 | 第15-17页 |
| 2.2 关键技术 | 第17-24页 |
| 2.2.1 风电场SCADA系统 | 第17页 |
| 2.2.2 GLM回归模型 | 第17-18页 |
| 2.2.3 BP神经网络 | 第18-19页 |
| 2.2.4 ARIMA预测模型 | 第19-21页 |
| 2.2.5 数据聚类(K-means)分析 | 第21-22页 |
| 2.2.6 (皮尔逊积矩)Pearson相关性系数 | 第22-23页 |
| 2.2.7 决策树算法 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 风力发电机组故障预警模型设计 | 第25-51页 |
| 3.1 数据清洗方法 | 第25-26页 |
| 3.2 电量分析模型 | 第26-31页 |
| 3.3 功率预测模型 | 第31-35页 |
| 3.4 预测叶片结冰的模型 | 第35-39页 |
| 3.4.1 Pearson相关性系数 | 第36页 |
| 3.4.2 卡方检验 | 第36-37页 |
| 3.4.3 决策树算法(Decision Tree) | 第37-39页 |
| 3.5 预测风力发电机组机械状态 | 第39-48页 |
| 3.5.1 预测齿轮箱运行状态 | 第39-43页 |
| 3.5.2 基于BP神经网络预测风力发电机组绕组温度 | 第43-48页 |
| 3.6 单机功率曲线对标预测 | 第48-49页 |
| 3.7 风力发电机组机舱风速预测准确性修正 | 第49-50页 |
| 3.8 本章小结 | 第50-51页 |
| 第4章 风力发电机组故障预警系统设计与应用 | 第51-61页 |
| 4.1 总体设计风力发电机组故障预警系统的方案 | 第51-53页 |
| 4.2 系统测试 | 第53-60页 |
| 4.2.1 数据清洗 | 第53-54页 |
| 4.2.2 单风力发电机组发电量分析测试 | 第54-57页 |
| 4.2.3 多风力发电机组发电量分析测试 | 第57页 |
| 4.2.4 全场风功率预测结果 | 第57-58页 |
| 4.2.5 叶片结冰预测 | 第58-59页 |
| 4.2.6 风力发电机组机械状态预测结果 | 第59-60页 |
| 4.3 本章小结 | 第60-61页 |
| 第5章 结论与展望 | 第61-63页 |
| 5.1 结论 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 作者简介及在学期间所取得的科研成果 | 第66-67页 |
| 致谢 | 第67页 |
