| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究的背景及意义 | 第11-13页 |
| 1.2 风电机组状态监测与故障预警研究现状 | 第13-15页 |
| 1.3 神经网络算法研究现状 | 第15-17页 |
| 1.4 本文主要研究内容 | 第17-19页 |
| 第2章 风电机组及其状态参数 | 第19-28页 |
| 2.1 风电机组概述 | 第19-23页 |
| 2.1.1 风电机组系统组成 | 第19-20页 |
| 2.1.2 SCADA系统监测的风电机组状态参数 | 第20-23页 |
| 2.2 风电机组状态参数特征选取 | 第23-27页 |
| 2.2.1 保局投影 | 第23-25页 |
| 2.2.2 LPP方法的实例分析 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于神经网络的风电机组状态参数预测建模 | 第28-43页 |
| 3.1 神经网络算法 | 第28-33页 |
| 3.1.1 极端学习机算法原理 | 第29-31页 |
| 3.1.2 核极限学习机算法 | 第31-33页 |
| 3.2 预测模型的性能评估 | 第33页 |
| 3.3 基于极限学习机的风电机组状态参数预测建模方法 | 第33-34页 |
| 3.4 实例分析 | 第34-42页 |
| 3.4.1 数据来源及预处理 | 第34-35页 |
| 3.4.2 建模输入变量选取 | 第35-37页 |
| 3.4.3 基于LPP-ELM方法的风电机组状态参数预测 | 第37-38页 |
| 3.4.4 基于LPP-KELM方法的风电机组状态参数预测 | 第38-40页 |
| 3.4.5 算法比较 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于信息熵和神经网络的风电机组故障预警 | 第43-52页 |
| 4.1 信息熵的基本原理 | 第43-44页 |
| 4.2 基于信息熵和神经网络的风电机故障预警方法 | 第44-46页 |
| 4.3 实例分析 | 第46-51页 |
| 4.3.1 风电机组正常状态下预警方法的分析 | 第47-49页 |
| 4.3.2 风电机组异常状态下预警方法的分析 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 结论与展望 | 第52-54页 |
| 5.1 结论 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的论文情况及其他成果 | 第57-58页 |
| 致谢 | 第58页 |
