| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究意义 | 第9-12页 |
| 1.1.1 课题背景 | 第9-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 数据挖掘技术及其研究现状 | 第12-14页 |
| 1.2.2 风电功率曲线建模研究现状 | 第14-15页 |
| 1.2.3 风电机组的状态异常分析研究现状 | 第15页 |
| 1.3 本论文的研究内容 | 第15-17页 |
| 第2章 基本理论知识 | 第17-31页 |
| 2.1 风能与风功率曲线的相关理论 | 第17-21页 |
| 2.1.1 风能 | 第17-19页 |
| 2.1.2 风电功率曲线 | 第19-21页 |
| 2.2 非线性回归分析 | 第21-23页 |
| 2.3 BP神经网络 | 第23-27页 |
| 2.3.1 BP算法原理和流程 | 第23-26页 |
| 2.3.2 BP神经网络的优缺点 | 第26-27页 |
| 2.4 控制图法 | 第27-30页 |
| 2.4.1 控制图法原理 | 第27-28页 |
| 2.4.2 控制图异常模式分析 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于功率曲线Logistic模型的风电机组异常状态分析 | 第31-47页 |
| 3.1 引言 | 第31页 |
| 3.2 基于改进K-means的数据清洗 | 第31-37页 |
| 3.2.1 数据预处理 | 第32-33页 |
| 3.2.2 数据清洗 | 第33-37页 |
| 3.3 基于带参Logistic方程的功率曲线模型 | 第37-41页 |
| 3.3.1 带参Logistic方程 | 第37-39页 |
| 3.3.2 基于改进的Logistic非线性回归 | 第39-41页 |
| 3.4 基于控制图的状态异常辨识 | 第41页 |
| 3.5 案例分析 | 第41-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第4章 基于GABP神经网络的功率曲线模型的符合度评价 | 第47-55页 |
| 4.1 引言 | 第47页 |
| 4.2 遗传算法 | 第47-48页 |
| 4.3 基于GABP神经网络功率曲线模型 | 第48-50页 |
| 4.4 基于GABP神经网络的功率曲线模型的符合度评价 | 第50-52页 |
| 4.5 案例分析 | 第52-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 结论与展望 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 在学研究成果 | 第61-62页 |
| 致谢 | 第62页 |
