风力发电机组性能优化及功率提升方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.1.1 风力发电历史背景 | 第10-11页 |
| 1.1.2 风电发展现状及存在问题 | 第11-12页 |
| 1.1.3 深度学习方法 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 第2章 基于风电场运行大数据的特征工程 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 特征工程 | 第16-18页 |
| 2.2.1 数据清洗 | 第16-17页 |
| 2.2.2 特征选择 | 第17页 |
| 2.2.3 数据降维 | 第17-18页 |
| 2.3 风电机组大数据特征工程 | 第18-23页 |
| 2.3.1 风电机组数据清洗 | 第18-20页 |
| 2.3.2 基于信息相关性的特征选择 | 第20页 |
| 2.3.3 基于PCA的降维分析 | 第20-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 深度全连接神经网络风速校正模型及性能优化 | 第24-32页 |
| 3.1 引言 | 第24页 |
| 3.2 全连接神经网络 | 第24-25页 |
| 3.3 基于全连接神经网络的风速校正模型 | 第25-29页 |
| 3.4 性能优化分析 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于简单循环单元的风电机组功率预测模型 | 第32-41页 |
| 4.1 引言 | 第32页 |
| 4.2 循环神经网络及概述 | 第32-37页 |
| 4.2.1 循环神经网络 | 第32-34页 |
| 4.2.2 长短时记忆网络 | 第34-35页 |
| 4.2.3 简单循环单元 | 第35-37页 |
| 4.3 基于循环神经网络的功率预测模型 | 第37-40页 |
| 4.3.1 模型与流程 | 第37-38页 |
| 4.3.2 训练与优化 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 基于深度森林偏航校正的功率提升 | 第41-51页 |
| 5.1 引言 | 第41页 |
| 5.2 风力发电机组的偏航系统 | 第41-42页 |
| 5.3 多粒度级联森林 | 第42-46页 |
| 5.3.1 集成学习与随机森林 | 第42-44页 |
| 5.3.2 多粒度级联森林 | 第44-46页 |
| 5.4 基于校正模型的功率提升分析 | 第46-49页 |
| 5.5 本章小结 | 第49-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 论文工作总结 | 第51-52页 |
| 6.2 课题展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第57-58页 |
| 致谢 | 第58页 |
