| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-13页 |
| 1.2 光伏逆变器故障诊断研究现状 | 第13-16页 |
| 1.3 本文主要研究内容及创新点 | 第16-18页 |
| 第二章 光伏阵列输出特性分析及最大功率点跟踪算法研究 | 第18-38页 |
| 2.1 光伏阵列输出特性 | 第18-23页 |
| 2.1.1 光伏电池数学模型 | 第18-21页 |
| 2.1.2 基于MATLAB/Simulink光伏电池建模 | 第21-22页 |
| 2.1.3 光伏电池输出特性仿真分析 | 第22-23页 |
| 2.2 最大功率点跟踪算法 | 第23-27页 |
| 2.3 常用最大功率点跟踪控制方法比较 | 第27-33页 |
| 2.3.1 恒定电压法 | 第28-29页 |
| 2.3.2 扰动观察法 | 第29-31页 |
| 2.3.3 电导增量法 | 第31-33页 |
| 2.4 基于Boost变换器的最大功率点跟踪方法仿真实现 | 第33-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第三章 光伏逆变技术 | 第38-54页 |
| 3.1 逆变器主电路拓扑结构 | 第38-40页 |
| 3.2 功率主电路数学模型 | 第40-43页 |
| 3.2.1 三相静止坐标系模型 | 第40-41页 |
| 3.2.2 两相静止坐标系模型 | 第41-42页 |
| 3.2.3 两相旋转坐标系模型 | 第42-43页 |
| 3.3 基于SVPWM控制逆变器仿真模型 | 第43-48页 |
| 3.4 光伏逆变系统整体仿真模型 | 第48-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第四章 基于小波分解的故障特征提取 | 第54-70页 |
| 4.1 故障特征提取意义及方法 | 第54-55页 |
| 4.2 基于小波分解的特征值提取方法 | 第55-57页 |
| 4.2.1 小波分解程序 | 第55-56页 |
| 4.2.2 小波分解能量量化方法 | 第56-57页 |
| 4.3 光伏逆变器故障模式分析与编码 | 第57-59页 |
| 4.4 基于小波分解输出电流信号的故障特征值提取 | 第59-69页 |
| 4.4.1 各类故障下小波三层分解波形图 | 第59-63页 |
| 4.4.2 传统小波分解提取特征值方法 | 第63-65页 |
| 4.4.3 改进小波分解提取特征值方法 | 第65-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 基于BP神经网络的故障诊断设计与实现 | 第70-86页 |
| 5.1 BP神经网络原理分析 | 第70-75页 |
| 5.1.1 BP神经网络的特点 | 第70-71页 |
| 5.1.2 BP神经网络结构与算法 | 第71-73页 |
| 5.1.3 BP神经网络参数设计 | 第73-75页 |
| 5.2 基于BP神经网络的逆变器故障诊断分类方法 | 第75-82页 |
| 5.2.1 训练样本选取 | 第75-77页 |
| 5.2.2 训练样本选取网络隐含层神经元个数确定 | 第77页 |
| 5.2.3 BP神经网络的训练 | 第77-81页 |
| 5.2.4 BP神经网络诊断测试结果 | 第81-82页 |
| 5.3 太阳辐射强度变化时诊断方法及可行性验证 | 第82-84页 |
| 5.4 本章小结 | 第84-86页 |
| 第六章 总结与展望 | 第86-88页 |
| 6.1 全文总结 | 第86页 |
| 6.2 课题展望 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 致谢 | 第92-94页 |
| 攻读学位期间取得的成果 | 第94页 |
