| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-18页 |
| 1.1 论文的选题背景和研究意义 | 第10-11页 |
| 1.1.1 论文的研究背景 | 第10页 |
| 1.1.2 论文的研究意义 | 第10-11页 |
| 1.2 故障诊断技术研究现状 | 第11-15页 |
| 1.2.1 电力电子故障诊断方法 | 第11-14页 |
| 1.2.2 经验模态分解方法与分形理论 | 第14-15页 |
| 1.2.3 目前故障诊断研究存在的问题 | 第15页 |
| 1.3 故障诊断解决策略研究现状 | 第15-17页 |
| 1.3.1 流形学习理论发展现状 | 第15-16页 |
| 1.3.2 流形学习在故障诊断中的应用现状 | 第16-17页 |
| 1.4 论文的主要研究内容 | 第17-18页 |
| 2 风电变流器故障分析 | 第18-25页 |
| 2.1 全功率变流器的拓扑结构 | 第18-21页 |
| 2.2 故障分析 | 第21-23页 |
| 2.2.1 故障诊断技术概述 | 第21页 |
| 2.2.2 双PWM变流器故障分类及编码 | 第21-23页 |
| 2.3 故障特征信号的获取 | 第23-24页 |
| 2.4 小结 | 第24-25页 |
| 3 风电变流器故障特征提取 | 第25-41页 |
| 3.1 EMD方法的基本概念 | 第26-27页 |
| 3.1.1 特征尺度参数 | 第26页 |
| 3.1.2 瞬时频率 | 第26-27页 |
| 3.1.3 固有模态函数(IMF) | 第27页 |
| 3.2 EMD的基本原理及性质探讨 | 第27-29页 |
| 3.2.1 EMD基本原理 | 第27-29页 |
| 3.2.2 EMD性质探讨 | 第29页 |
| 3.3 基于EMD的变流器故障诊断信号特征值提取 | 第29-38页 |
| 3.3.1 基于EMD的变流器故障信号预处理 | 第30-31页 |
| 3.3.2 基于EMD与信息熵的变流器故障特征提取 | 第31-33页 |
| 3.3.3 基于EMD与分形盒维数的变流器故障特征提取 | 第33-37页 |
| 3.3.4 变流器故障特征值提取 | 第37-38页 |
| 3.4 变流器故障诊断效果对比 | 第38-40页 |
| 3.5 小结 | 第40-41页 |
| 4 流形学习算法研究 | 第41-55页 |
| 4.1 流形学习算法概述 | 第41-44页 |
| 4.1.1 流形的定义 | 第42-43页 |
| 4.1.2 流形学习的思想及数学描述 | 第43-44页 |
| 4.2 几种经典的流形学习算法 | 第44-53页 |
| 4.2.1 经典流形学习算法描述 | 第44-50页 |
| 4.2.2 流形学习降维方法比较 | 第50-51页 |
| 4.2.3 流形学习降维效果比较 | 第51-53页 |
| 4.3 流形学习的主要应用 | 第53-54页 |
| 4.4 小结 | 第54-55页 |
| 5 流形学习在变流器故障空间维数约简中的应用研究 | 第55-72页 |
| 5.1 LLE引入故障空间维数约简的问题及研究进展 | 第55-58页 |
| 5.1.1 面临的基本问题 | 第55-57页 |
| 5.1.2 相关研究的最新进展 | 第57-58页 |
| 5.2 LLE算法改进研究 | 第58-65页 |
| 5.2.1 样本外点的学习问题 | 第58-59页 |
| 5.2.2 自适应邻域选择 | 第59-61页 |
| 5.2.3 本征维数估计问题 | 第61-63页 |
| 5.2.4 监督问题 | 第63-64页 |
| 5.2.5 增量学习问题 | 第64-65页 |
| 5.3 SIODNPE算法描述 | 第65-68页 |
| 5.4 变流器故障诊断效果对比 | 第68-71页 |
| 5.5 小结 | 第71-72页 |
| 结论 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-77页 |
| 攻读学位期间的研究成果 | 第77页 |
