| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-12页 |
| 1.2.1 风电机组建模研究现状 | 第10-11页 |
| 1.2.2 风电机组优化参数研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第二章 相关理论基础和技术概述 | 第14-26页 |
| 2.1 风电机组基础理论 | 第14-17页 |
| 2.1.1 风电机组整体结构 | 第14-15页 |
| 2.1.2 风电机组的能量转换过程 | 第15-16页 |
| 2.1.3 风电机组的参数控制 | 第16-17页 |
| 2.2 相关技术 | 第17-23页 |
| 2.2.1 神经网络 | 第17-19页 |
| 2.2.2 循环神经网络 | 第19-22页 |
| 2.2.3 自动编码器 | 第22-23页 |
| 2.3 启发式优化算法 | 第23-25页 |
| 2.3.1 差分进化算法 | 第24-25页 |
| 2.3.2 其他元启发式优化算法 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 单时间步风电机组动态建模和参数优化 | 第26-45页 |
| 3.1 数据驱动的风电机组辨识建模和参数优化框架 | 第26-27页 |
| 3.2 风电机组运行数据的预处理 | 第27-30页 |
| 3.2.1 基于自动编码器的异常点检测 | 第27-29页 |
| 3.2.2 用于辨识建模的样本特征选择 | 第29-30页 |
| 3.3 基于LSTM网络的风电机组辨识建模 | 第30-31页 |
| 3.4 基于改进的DE算法的优化参数计算 | 第31-36页 |
| 3.4.1 复合目标函数和参数约束搜索空间 | 第31-33页 |
| 3.4.2 改进的差分进化算法 | 第33-36页 |
| 3.5 实验与结果分析 | 第36-43页 |
| 3.5.1 基于AEOD算法的异常样本检测实验 | 第38-39页 |
| 3.5.2 基于LSTM网络的风电机组发电系统辨识建模实验 | 第39页 |
| 3.5.3 参数约束搜索空间确定实验 | 第39-40页 |
| 3.5.4 基于ADEP算法的风电机组发电系统优化参数计算实验 | 第40-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第四章 时间段上的风电机组动态建模和参数优化 | 第45-57页 |
| 4.1 时间段上的风电机组动态辨识建模 | 第46-47页 |
| 4.2 VAE模型结构 | 第47-50页 |
| 4.2.1 基于卷积网络的序列建模 | 第47-49页 |
| 4.2.2 VAE的实现 | 第49-50页 |
| 4.3 适用于时间段模型的DE算法与优化参数计算 | 第50-52页 |
| 4.4 实验及结果分析 | 第52-56页 |
| 4.4.1 时间段上的风电机组辨识建模实验 | 第53页 |
| 4.4.2 参数优化实验 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-58页 |
| 5.1 本文总结 | 第57页 |
| 5.2 展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |