| 摘要 | 第12-13页 |
| ABSTRACT | 第13-14页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.2.1 大数据分析现状 | 第17-18页 |
| 1.2.2 风电机组运行状态评估 | 第18-19页 |
| 1.2.3 风电机组故障诊断 | 第19-20页 |
| 1.3 存在的主要问题 | 第20页 |
| 1.4 主要研究内容 | 第20-23页 |
| 第二章 大数据来源及分析方法 | 第23-35页 |
| 2.1 大数据来源 | 第23-28页 |
| 2.1.1 大数据来源构成 | 第23-24页 |
| 2.1.2 SCADA系统数据 | 第24-25页 |
| 2.1.3 振动监测系统数据 | 第25-28页 |
| 2.2 大数据分析方法 | 第28-33页 |
| 2.2.1 相关性分析 | 第28-31页 |
| 2.2.2 最小二乘支持向量机 | 第31-33页 |
| 2.3 本章小结 | 第33-35页 |
| 第三章 风电机组运行状态评估方法及应用 | 第35-47页 |
| 3.1 风电机组在线运行状态评估模型的构架 | 第35-36页 |
| 3.2 风电机组出力相关性运行状态评估子模型 | 第36-38页 |
| 3.2.1 出力相关性在线状态评估原理 | 第36-37页 |
| 3.2.2 出力相关性在线状态评估模型构建方法与实现 | 第37-38页 |
| 3.3 风电机组PSOLSSVM运行状态评估子模型 | 第38-41页 |
| 3.3.1 粒子群优化算法 | 第38-40页 |
| 3.3.2 基于PSOLSSVM算法的回归预测模型构建方法与实现 | 第40-41页 |
| 3.4 实例应用与分析 | 第41-45页 |
| 3.4.1 风电场实例应用与分析一 | 第41-43页 |
| 3.4.2 风电场实例应用与分析二 | 第43-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 风电机组传动系统的故障诊断方法及应用 | 第47-63页 |
| 4.1 传动系统主要结构 | 第47-48页 |
| 4.2 齿轮箱和轴承的特征频率计算 | 第48-50页 |
| 4.2.1 齿轮箱的特征频率计算 | 第48-50页 |
| 4.2.2 轴承的特征频率计算 | 第50页 |
| 4.3 传动系统故障诊断理论判据 | 第50-52页 |
| 4.3.1 齿轮箱故障诊断理论分析 | 第50-51页 |
| 4.3.2 轴承故障诊断理论分析 | 第51-52页 |
| 4.4 基于EEMD和能量分离故障诊断的方法 | 第52-61页 |
| 4.4.1 EEMD理论算法 | 第52-53页 |
| 4.4.2 能量分离算法 | 第53-54页 |
| 4.4.3 分析过程 | 第54-56页 |
| 4.4.4 实例应用 | 第56-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第五章 风电机组运行状态评估与故障诊断系统设计 | 第63-73页 |
| 5.1 系统总体概述 | 第63-64页 |
| 5.2 系统工作流程 | 第64-66页 |
| 5.3 状态评估与故障诊断分析及应用 | 第66-72页 |
| 5.3.1 风电场研究案例一 | 第66-67页 |
| 5.3.2 风电场研究案例二 | 第67-70页 |
| 5.3.3 风电场研究案例三 | 第70-72页 |
| 5.4 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 本文主要研究成果及创新点 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79-80页 |
| 致谢 | 第80-81页 |
| 个人简况及联系方式 | 第81-82页 |
