| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第9-10页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 风力发电的背景及意义 | 第10-11页 |
| 1.2 风力发电行业发展现状 | 第11页 |
| 1.3 风力发电机组控制技术 | 第11-13页 |
| 1.3.1 定桨距调节技术 | 第12页 |
| 1.3.2 变桨距调节技术 | 第12页 |
| 1.3.3 主动定桨距调节技术 | 第12页 |
| 1.3.4 变速恒频技术 | 第12-13页 |
| 1.4 本文的主要工作 | 第13-15页 |
| 第2章 风力发电机组变桨距控制理论 | 第15-24页 |
| 2.1 风力发电机组基本结构 | 第15-16页 |
| 2.2 风力发电机组基本理论 | 第16-20页 |
| 2.2.1 空气动力学原理 | 第16-17页 |
| 2.2.2 风能利用系数与贝茨理论 | 第17-18页 |
| 2.2.3 叶尖速比 | 第18-20页 |
| 2.3 变桨距控制技术 | 第20-23页 |
| 2.3.1 变桨距风机运行状态 | 第20-21页 |
| 2.3.2 统一变桨距控制策略 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于SVM的改进样本加权超短期风速预测 | 第24-35页 |
| 3.1 风速预测概述 | 第24-25页 |
| 3.2 统计方法风速预测 | 第25-27页 |
| 3.2.1 随机森林回归 | 第25-26页 |
| 3.2.2 梯度提升回归树 | 第26-27页 |
| 3.3 改进样本加权的SVM算法 | 第27-30页 |
| 3.3.1 基于相似性因素的改进样本加权 | 第27-28页 |
| 3.3.2 风速序列的相空间重构 | 第28页 |
| 3.3.3 支持向量机 | 第28-30页 |
| 3.4 算法的评价标准 | 第30-31页 |
| 3.5 超短期风速预测实例分析 | 第31-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第4章 基于信息粒化的ELM风速区间与变化趋势预测 | 第35-47页 |
| 4.1 模糊信息粒化 | 第35-36页 |
| 4.2 极限学习机 | 第36-39页 |
| 4.2.1 模型ELM的介绍 | 第36-39页 |
| 4.2.2 模型ELM的学习算法 | 第39页 |
| 4.3 实例分析 | 第39-46页 |
| 4.3.1 模型的建立 | 第39-40页 |
| 4.3.2 预测结果及分析 | 第40-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于RNN的变桨距预测控制 | 第47-58页 |
| 5.1 预测控制系统结构 | 第47-48页 |
| 5.2 双馈风力发电机组模型 | 第48-49页 |
| 5.2.1 风轮气动特性模型 | 第48-49页 |
| 5.2.2 传动链模型 | 第49页 |
| 5.2.3 双馈感应发电机模型 | 第49页 |
| 5.3 循环神经网络 | 第49-51页 |
| 5.4 优化算法 | 第51-52页 |
| 5.5 仿真与实验研究 | 第52-57页 |
| 5.5.1 RNN建模 | 第52-55页 |
| 5.5.2 仿真实验 | 第55-57页 |
| 5.6 本章小结 | 第57-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录A 部分原始风速数据 | 第62-63页 |
| 附录B 现场风机部分运行数据 | 第63-64页 |
| 致谢 | 第64-65页 |
| 导师简介 | 第65页 |
| 企业导师简介 | 第65-66页 |
| 作者简介 | 第66-67页 |
| 学位论文数据集 | 第67页 |