基于SCADA的风电机组关键设备状态监测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外风电发展现状 | 第12-13页 |
| 1.3 状态监测技术概述 | 第13-16页 |
| 1.4 本文的主要研究内容 | 第16-18页 |
| 第2章 风电机组及其SCADA系统 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 风电机组 | 第18-23页 |
| 2.2.1 风电机组简介 | 第18-20页 |
| 2.2.2 风电机组常见故障 | 第20-23页 |
| 2.3 SCADA系统 | 第23-27页 |
| 2.3.1 SCADA系统简介 | 第23-25页 |
| 2.3.2 基于SCADA的风电机组研究现状 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 改进的非线性状态估计模型 | 第28-45页 |
| 3.1 引言 | 第28页 |
| 3.2 相似性原理 | 第28页 |
| 3.3 NSET建模基本原理 | 第28-31页 |
| 3.4 NSET建模步骤 | 第31-37页 |
| 3.4.1 输入参数的选择 | 第31页 |
| 3.4.2 样本数据选择与数据预处理 | 第31-33页 |
| 3.4.3 过程记忆矩阵的构造 | 第33-37页 |
| 3.5 NSET模型的应用 | 第37-44页 |
| 3.5.1 风电机组简介 | 第37页 |
| 3.5.2 输入参数验证 | 第37-38页 |
| 3.5.3 模型过程记忆矩阵的构造 | 第38-40页 |
| 3.5.4 NSET状态监测模型有效性验证 | 第40-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 不同预测模型在风电机组设备预测上的比较 | 第45-60页 |
| 4.1 引言 | 第45页 |
| 4.2 NSET模型预测精度的评价指标 | 第45-49页 |
| 4.3 样本数据类型对模型精度的影响 | 第49-50页 |
| 4.4 神经网络建模预测方法 | 第50-53页 |
| 4.5 状态参数组合预测模型 | 第53-56页 |
| 4.5.1 基本原理 | 第53-54页 |
| 4.5.2 组合模型建模过程 | 第54-55页 |
| 4.5.3 模型精度分析 | 第55-56页 |
| 4.6 风电场现场数据验证 | 第56-59页 |
| 4.6.1 现场数据1 | 第56-57页 |
| 4.6.2 现场数据2 | 第57-58页 |
| 4.6.3 现场数据3 | 第58-59页 |
| 4.7 本章小结 | 第59-60页 |
| 第5章 风电机组运行状态评估 | 第60-71页 |
| 5.1 引言 | 第60页 |
| 5.2 风电机组运行状态评估模型 | 第60-66页 |
| 5.2.1 指标体系选取 | 第60-61页 |
| 5.2.2 各层次评估矩阵的建立 | 第61-62页 |
| 5.2.3 确定合适的评判指标隶属度函数 | 第62-64页 |
| 5.2.4 确定合适的评判指标权重 | 第64-66页 |
| 5.2.5 改进模糊综合评估模型 | 第66页 |
| 5.3 现场数据分析 | 第66-70页 |
| 5.3.1 现场数据1 | 第66-68页 |
| 5.3.2 现场数据2 | 第68-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第6章 风电机组短期停运概率预测模型 | 第71-79页 |
| 6.1 引言 | 第71页 |
| 6.2 风电机组短期停运概率预测模型 | 第71-72页 |
| 6.3 风电机组状态划分 | 第72-73页 |
| 6.3.1 马尔可夫过程 | 第72-73页 |
| 6.3.2 风电机组状态划分 | 第73页 |
| 6.4 初始停运概率模型 | 第73-74页 |
| 6.5 改进的风电机组短期停运概率预测模型 | 第74-76页 |
| 6.5.1 状态转移概率矩阵 | 第74页 |
| 6.5.2 改进状态转移概率矩阵 | 第74-76页 |
| 6.6 短期停运概率模型验证 | 第76-78页 |
| 6.6.1 19 | 第76-77页 |
| 6.6.2 21 | 第77-78页 |
| 6.7 本章小结 | 第78-79页 |
| 结论 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第85-86页 |
| 致谢 | 第86页 |
