| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 背景与意义 | 第9-10页 |
| 1.2 国内外发展现状 | 第10-13页 |
| 1.2.1 国内外风电行业的发展现状 | 第10-12页 |
| 1.2.2 国内外故障预测技术研究现状 | 第12-13页 |
| 1.3 论文研究内容 | 第13-14页 |
| 1.4 论文创新点 | 第14页 |
| 1.5 论文结构 | 第14-16页 |
| 第二章 风力发电机组结构及原理分析 | 第16-26页 |
| 2.1 风力发电机组的结构与发电原理 | 第16-19页 |
| 2.2 风机运行信号及其特征值提取 | 第19-22页 |
| 2.3 IEC标准与利用率 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 风电机组故障预测方法原理及分析 | 第26-42页 |
| 3.1 时间序列故障预测方法 | 第26-27页 |
| 3.2 基于神经网络的故障预测方法 | 第27-28页 |
| 3.3 基于支持向量回归的故障预测方法 | 第28-30页 |
| 3.4 基于灰色理论的故障预测方法 | 第30-34页 |
| 3.4.1 GM(1,1)预测模型 | 第30-33页 |
| 3.4.2 GM(1,n)预测模型 | 第33-34页 |
| 3.5 其他故障预测方法 | 第34-35页 |
| 3.6 故障预测方法对比与总结 | 第35-36页 |
| 3.7 数据融合算法原理 | 第36-41页 |
| 3.8 本章小结 | 第41-42页 |
| 第四章 故障预测模型设计 | 第42-50页 |
| 4.1 基于灰色理论的故障预测流程与框架 | 第42-46页 |
| 4.1.1 基于灰色理论的故障预测流程 | 第42-46页 |
| 4.1.2 基于灰色理论的故障预测框架 | 第46页 |
| 4.2 风机实测参数的处理 | 第46-47页 |
| 4.2.1 样本参数的最优特征值选择 | 第46-47页 |
| 4.2.2 最优模型训练点数的选择 | 第47页 |
| 4.3 灰色预测模型的改进设计 | 第47-49页 |
| 4.3.1 基于数据融合技术的GM(1,1)故障预测模型 | 第47-48页 |
| 4.3.2 基于邓氏关联分析、数据融合技术的GM(1,n)故障预测模型 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 实验结果评估与分析 | 第50-66页 |
| 5.1 实验环境 | 第50-51页 |
| 5.2 原始样本数据最优特征值的选择 | 第51-56页 |
| 5.3 最优原始样本数据训练点数的选择 | 第56-57页 |
| 5.4 基于递推融合估计的单变量GM(1,1)灰色预测模型评估 | 第57-60页 |
| 5.5 多变量GM(1,N)灰色预测模型的评估 | 第60-64页 |
| 5.6 实验结果分析评价 | 第64-65页 |
| 5.7 本章小结 | 第65-66页 |
| 第六章 结论与展望 | 第66-69页 |
| 6.1 结论 | 第66-68页 |
| 6.1.1 研究意义 | 第66-67页 |
| 6.1.2 论文研究内容 | 第67页 |
| 6.1.3 论文的创新点 | 第67页 |
| 6.1.4 论文研究存在的不足 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间发表学术论文目录 | 第74页 |
