| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 课题的研究背景及意义 | 第13-15页 |
| 1.2 课题的研究现状 | 第15-18页 |
| 1.2.1 数理统计的识别方法 | 第15-16页 |
| 1.2.2 基于学习方法的数据识别方法 | 第16-17页 |
| 1.2.3 基于密度和距离的数据识别方法 | 第17-18页 |
| 1.3 本文的主要研究内容 | 第18-20页 |
| 第2章 风电机组的异常数据 | 第20-27页 |
| 2.1 风力发电机工作特性 | 第20-21页 |
| 2.2 风电风速与功率的关系 | 第21-23页 |
| 2.3 风电机组异常数据分类及其产生原因 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 风电机组风速异常数据识别方法 | 第27-42页 |
| 3.1 风速时间序列模型 | 第27-30页 |
| 3.1.1 ARIMA模型 | 第27-28页 |
| 3.1.2 模型定阶 | 第28-29页 |
| 3.1.3 参数估计 | 第29-30页 |
| 3.2 异常风速特征的提取 | 第30-31页 |
| 3.2.1 小波变换 | 第30-31页 |
| 3.2.2 基于小波变换的异常风速特征提取 | 第31页 |
| 3.3 隐马尔科夫模型识别方法 | 第31-33页 |
| 3.3.1 马尔科夫链 | 第32页 |
| 3.3.2 隐马尔科夫结构 | 第32-33页 |
| 3.3.3 Viterbi检验方法 | 第33页 |
| 3.4 异常风速数据的重构方法 | 第33-34页 |
| 3.5 RBF预测算法 | 第34-36页 |
| 3.5.1 RBF神经网络的结构 | 第34-35页 |
| 3.5.2 RBF神经网络的工作原理 | 第35-36页 |
| 3.6 算例分析 | 第36-41页 |
| 3.6.1 异常值识别与分析 | 第37-40页 |
| 3.6.2 误差分析 | 第40-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第4章 基于Copula理论风电机组异常数据识别方法 | 第42-57页 |
| 4.1 Copula理论概述 | 第42-46页 |
| 4.1.1 Copula函数及其类型 | 第42-44页 |
| 4.1.2 Copula理论的相关性度量 | 第44-45页 |
| 4.1.3 Copula函数的参数估计 | 第45-46页 |
| 4.1.4 模型评价 | 第46页 |
| 4.2 异常数据识别过程 | 第46-49页 |
| 4.2.1 异常数据识别原理 | 第46-47页 |
| 4.2.2 异常数据特征分析 | 第47-48页 |
| 4.2.3 异常数据识别准则 | 第48-49页 |
| 4.3 算例分析 | 第49-56页 |
| 4.3.1 Copula函数选择 | 第49-53页 |
| 4.3.2 实测数据异常数据识别 | 第53-54页 |
| 4.3.3 人工生成异常数据识别 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 结论及展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第64页 |