中文摘要 | 第3-5页 |
英文摘要 | 第5-11页 |
1 绪论 | 第11-27页 |
1.1 研究背景与意义 | 第11-13页 |
1.2 研究现状 | 第13-24页 |
1.2.1 风电机组状态监测技术 | 第13-17页 |
1.2.2 风电不良数据识别与修正研究现状 | 第17-20页 |
1.2.3 风电机组状态异常辨识和故障检测研究现状 | 第20-23页 |
1.2.4 风电机组运行状态评估研究现状 | 第23-24页 |
1.3 存在的主要问题 | 第24-25页 |
1.4 本文研究内容 | 第25-27页 |
2 风电场SCADA系统中不良数据的识别与修正 | 第27-55页 |
2.1 引言 | 第27页 |
2.2 风电场SCADA系统状态参数 | 第27-32页 |
2.2.1 风电机组的结构及工作原理 | 第27-29页 |
2.2.2 风电场SCADA系统状态参数 | 第29-32页 |
2.3 SCADA系统不良数据的识别 | 第32-39页 |
2.3.1 基于分段四分位法的温度不良数据识别 | 第34-36页 |
2.3.2 基于分段自适应Mean shift聚类的功率不良数据识别 | 第36-39页 |
2.4 SCADA系统不良数据的修正 | 第39-45页 |
2.4.1 组合预测模型 | 第40-43页 |
2.4.2 基于组合预测模型的不良数据修正方法 | 第43-45页 |
2.5 实例分析与验证 | 第45-53页 |
2.5.1 不良数据识别方法验证 | 第46-51页 |
2.5.2 不良数据修正方法验证 | 第51-53页 |
2.6 小结 | 第53-55页 |
3 采用滑动窗口堆栈降噪自编码的风电机组多元状态数据重构 | 第55-79页 |
3.1 引言 | 第55页 |
3.2 风电机组多元状态参数相关性分析 | 第55-66页 |
3.2.1 相关性指标 | 第55-57页 |
3.2.2 状态参数间的互相关性 | 第57-63页 |
3.2.3 状态参数的短时自相关性 | 第63-66页 |
3.3 基于堆栈降噪自编码的机组多元数据重构模型 | 第66-76页 |
3.3.1 堆栈将噪自编码模型 | 第67-70页 |
3.3.2 滑动窗口处理方法 | 第70-72页 |
3.3.3 多重加噪比训练方法 | 第72-75页 |
3.3.4 实例分析与验证 | 第75-76页 |
3.4 小结 | 第76-79页 |
4 基于多元数据重构误差的风电机组运行状态异常辨识 | 第79-99页 |
4.1 引言 | 第79页 |
4.2 风电机组状态监测指标 | 第79-83页 |
4.2.1 状态监测指标的提取 | 第79-81页 |
4.2.2 状态监测指标阈值的确定 | 第81-83页 |
4.2.3 状态监测指标连续越限时间阈值的确定 | 第83页 |
4.3 风电机组异常参数辨识 | 第83-84页 |
4.4 风电机组状态异常辨识流程 | 第84-85页 |
4.5 实例分析与验证 | 第85-98页 |
4.5.1 核密度估计方法验证 | 第85-87页 |
4.5.2 不同模型参数的监测指标概率密度估计对比分析 | 第87-89页 |
4.5.3 不同模型参数的状态异常辨识结果对比分析 | 第89-94页 |
4.5.4 不良数据识别和修正方法的验证 | 第94-95页 |
4.5.5 与基于状态参数预测残差的异常辨识方法对比分析 | 第95-98页 |
4.6 小结 | 第98-99页 |
5 基于高斯混合模型的风电机组运行状态评估 | 第99-111页 |
5.1 引言 | 第99页 |
5.2 采用高斯混合模型的监测指标概率密度估计 | 第99-104页 |
5.2.1 高斯混合模型 | 第99-100页 |
5.2.2 EM算法 | 第100-102页 |
5.2.3 模型阶数的确定 | 第102-104页 |
5.3 风电机组运行状态的量化评估 | 第104-107页 |
5.4 实例分析与验证 | 第107-110页 |
5.4.1 采用高斯混合模型的概率密度估计验证 | 第107-108页 |
5.4.2 状态评估结果分析 | 第108-110页 |
5.5 小结 | 第110-111页 |
6 结论 | 第111-113页 |
参考文献 | 第113-125页 |
附录 | 第125-127页 |
A.作者在攻读博士学位期间发表的论文目录 | 第125页 |
B.作者在攻读博士学位期间参加的科研项目 | 第125页 |
C.学位论文数据集 | 第125-127页 |
致谢 | 第127-128页 |