| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状及发展动态 | 第10-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 第2章 基本控制策略与神经网络 | 第14-22页 |
| 2.1 概述 | 第14页 |
| 2.2 风电机组控制理论 | 第14-17页 |
| 2.2.1 基本控制原理 | 第15页 |
| 2.2.2 变桨与变速的分步控制 | 第15-17页 |
| 2.2.3 过渡区域变桨调节制 | 第17页 |
| 2.3 神经网络 | 第17-21页 |
| 2.3.1 BP神经网络基本原理 | 第19-20页 |
| 2.3.2 自学习优化算法的提出 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 神经网络模型的搭建和参数确定 | 第22-38页 |
| 3.1 概述 | 第22页 |
| 3.2 神经网络的初始化 | 第22-26页 |
| 3.2.1 训练数据选择 | 第22-24页 |
| 3.2.2 隐含层神经元数 | 第24页 |
| 3.2.3 初始权值、阈值和学习率的选择 | 第24-26页 |
| 3.3 神经网络的训练 | 第26-32页 |
| 3.3.1 输入输出的归一化 | 第26页 |
| 3.3.2 迭代次数与批量计算 | 第26-28页 |
| 3.3.3 隐含层和初始权值、阈值确定 | 第28-32页 |
| 3.4 预测的时间尺度与准确度的关系 | 第32-34页 |
| 3.5 过高风速下数据剔除 | 第34-36页 |
| 3.6 本章小结 | 第36-38页 |
| 第4章 自学习优化算法 | 第38-52页 |
| 4.1 自学习算法控制策略 | 第38-43页 |
| 4.1.1 预测参数选取 | 第38-40页 |
| 4.1.2 自学习算法的控制逻辑 | 第40页 |
| 4.1.3 自学习算法对控制参数调整量 | 第40-42页 |
| 4.1.4 训练数据风况控制结果 | 第42-43页 |
| 4.2 自学习算法控制的适用性 | 第43-51页 |
| 4.2.1 同一训练后神经网络对不同风况的适用性 | 第43-48页 |
| 4.2.2 基于再训练神经网络的自学习算法的适用性 | 第48-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 结论与展望 | 第52-54页 |
| 5.1 结论 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的论文及其它结果 | 第57-58页 |
| 致谢 | 第58页 |