| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 发电机定子绕组匝间短路故障的研究方法 | 第10-14页 |
| 1.3 本文的主要研究内容 | 第14-16页 |
| 2 双馈式风力发电机的多回路数学模型及Simulink仿真 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 双馈风力发电机的基本理论 | 第16-20页 |
| 2.2.1 电机的工作原理 | 第18-19页 |
| 2.2.2 电机的等效电路及基本方程 | 第19-20页 |
| 2.3 双馈式风力发电机的多回路数学模型 | 第20-22页 |
| 2.4 双馈异步风力发电机的Simulink模型 | 第22-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 双馈风力发电机定子绕组匝间短路故障分析 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 故障后双馈风力发电机多回路模型的修正 | 第28页 |
| 3.3 故障后电气量变化分析 | 第28-30页 |
| 3.4 双馈风力发电机正常与故障运行时的仿真 | 第30-34页 |
| 3.5 定子绕组不同程度匝间短路故障时的仿真研究 | 第34-38页 |
| 3.5.1 定子绕组发生 5%匝间短路故障情况 | 第34-35页 |
| 3.5.2 定子绕组发生 15%匝间短路故障情况 | 第35-36页 |
| 3.5.3 定子绕组发生 25%匝间短路故障情况 | 第36-38页 |
| 3.6 本章小结 | 第38-40页 |
| 4 神经网络在发电机故障诊断中的应用 | 第40-52页 |
| 4.1 人工神经网络简述 | 第40-41页 |
| 4.1.1 神经网络模型及结构 | 第40-41页 |
| 4.1.2 神经网络的基本性质及应用 | 第41页 |
| 4.2 BP神经网络 | 第41-45页 |
| 4.2.1 BP神经元模型 | 第42-43页 |
| 4.2.2 BP学习算法步骤 | 第43-45页 |
| 4.3 Elman神经网络 | 第45-46页 |
| 4.4 神经网络在故障诊断中的应用 | 第46-47页 |
| 4.5 双馈风力发电机定子绕组匝间短路故障诊断的神经网络设计 | 第47-50页 |
| 4.5.1 BP神经网络的设计及训练结果 | 第47-49页 |
| 4.5.2 Elman神经网络设计及训练结果 | 第49-50页 |
| 4.6 本章小结 | 第50-52页 |
| 5 Elman神经网络在双馈风力发电机定子绕组匝间短路故障中的应用 | 第52-58页 |
| 5.1 引言 | 第52页 |
| 5.2 定子绕组匝间短路故障所在相的诊断 | 第52-55页 |
| 5.3 Elman神经网络在定子绕组匝间故障程度诊断的应用 | 第55-57页 |
| 5.4 本章小结 | 第57-58页 |
| 6 结论与展望 | 第58-60页 |
| 6.1 结论 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |
