發(fā)布時間：2023-10-13 20:54

　　隨著世界范圍內(nèi)環(huán)保意識的增強(qiáng)以及風(fēng)能成本逐漸下降,風(fēng)力發(fā)電產(chǎn)業(yè)已取得較大進(jìn)展,風(fēng)電機(jī)組的安全性能和經(jīng)濟(jì)成本制約著風(fēng)力發(fā)電的進(jìn)一步發(fā)展。由于自然環(huán)境惡劣,風(fēng)力發(fā)電機(jī)的運(yùn)行狀況頻繁變化,采用閾值法對風(fēng)電機(jī)組進(jìn)行狀態(tài)監(jiān)測,難以在實(shí)際應(yīng)用中取得良好的效果。因此從防范風(fēng)電機(jī)組的運(yùn)行風(fēng)險,降低風(fēng)力發(fā)電運(yùn)行維護(hù)成本的角度考慮,研究風(fēng)電機(jī)組運(yùn)行狀態(tài)監(jiān)測與評價方法具有重要意義。本文對基于運(yùn)行數(shù)據(jù)的風(fēng)電機(jī)組狀態(tài)監(jiān)測與評價方法進(jìn)行研究,對風(fēng)電場的運(yùn)行參數(shù)進(jìn)行深入分析,建立了基于深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)的狀態(tài)參數(shù)模型,并與基于反向傳播神經(jīng)網(wǎng)絡(luò)(Back–propagation neural network,BPNN)的預(yù)測模型進(jìn)行對比分析。結(jié)果證明,基于互信息的特征選擇工作對模型精度具有影響,DBN算法具有較好的大數(shù)據(jù)信息處理的能力,同時驗(yàn)證了DBN算法對于風(fēng)電機(jī)組建模比BPNN算法具有更大優(yōu)勢�；贒BN狀態(tài)參數(shù)模型,本文提出了一種融合多模型的風(fēng)電機(jī)組狀態(tài)評價方法,利用DBN模型殘差概率密度對機(jī)組的運(yùn)行狀態(tài)進(jìn)行評價分析。機(jī)組的運(yùn)行狀態(tài)在參數(shù)數(shù)據(jù)上有所體現(xiàn),多模型評價方法...

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 風(fēng)電機(jī)組狀態(tài)監(jiān)測方法概述
        1.2.2 基于SCADA數(shù)據(jù)的狀態(tài)監(jiān)測與評價研究現(xiàn)狀
    1.3 論文主要工作
第2章 風(fēng)電機(jī)組基本結(jié)構(gòu)與原理
    2.1 引言
    2.2 風(fēng)電機(jī)組簡介
        2.2.1 風(fēng)電機(jī)組基本構(gòu)成及工作原理
        2.2.2 風(fēng)電機(jī)組SCADA系統(tǒng)
        2.2.3 風(fēng)電機(jī)組運(yùn)行特性分析
    2.3 本章小結(jié)
第3章 深度神經(jīng)網(wǎng)絡(luò)
    3.1 引言
    3.2 深度學(xué)習(xí)發(fā)展歷程
    3.3 反向傳播神經(jīng)網(wǎng)絡(luò)
    3.4 限制玻爾茲曼機(jī)
        3.4.1 限制玻爾茲曼機(jī)基本結(jié)構(gòu)
        3.4.2 參數(shù)計(jì)算
    3.5 深度信念網(wǎng)絡(luò)
    3.6 本章小結(jié)
第4章 基于深度信念網(wǎng)絡(luò)的狀態(tài)參數(shù)模型
    4.1 引言
    4.2 狀態(tài)參數(shù)預(yù)測模型概述及流程
    4.3 樣本數(shù)據(jù)選擇與處理
    4.4 輸入?yún)?shù)選擇
    4.5 建模方法研究
        4.5.1 模型結(jié)構(gòu)
        4.5.2 輸入?yún)?shù)驗(yàn)證
        4.5.3 算法性能測試
    4.6 本章小結(jié)
第5章 風(fēng)電機(jī)組運(yùn)行狀態(tài)評價
    5.1 引言
    5.2 評價方法概述及流程
        5.2.1 風(fēng)電機(jī)組運(yùn)行狀態(tài)評價步驟
        5.2.2 建立正常狀態(tài)參數(shù)模型
        5.2.3 狀態(tài)參數(shù)預(yù)測誤差概率密度分布
    5.3 實(shí)例分析與驗(yàn)證
        5.3.1 單模型評價
        5.3.2 多模型評價
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 論文工作總結(jié)
    6.2 未來研究展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝



本文編號：3853756