隨著世界范圍內環(huán)保意識的增強以及風能成本逐漸下降,風力發(fā)電產(chǎn)業(yè)已取得較大進展,風電機組的安全性能和經(jīng)濟成本制約著風力發(fā)電的進一步發(fā)展。由于自然環(huán)境惡劣,風力發(fā)電機的運行狀況頻繁變化,采用閾值法對風電機組進行狀態(tài)監(jiān)測,難以在實際應用中取得良好的效果。因此從防范風電機組的運行風險,降低風力發(fā)電運行維護成本的角度考慮,研究風電機組運行狀態(tài)監(jiān)測與評價方法具有重要意義。本文對基于運行數(shù)據(jù)的風電機組狀態(tài)監(jiān)測與評價方法進行研究,對風電場的運行參數(shù)進行深入分析,建立了基于深度信念網(wǎng)絡(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(Back–propagation neural network,BPNN)的預測模型進行對比分析。結果證明,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,同時驗證了DBN算法對于風電機組建模比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電機組狀態(tài)評價方法,利用DBN模型殘差概率密度對機組的運行狀態(tài)進行評價分析。機組的運行狀態(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 國內外研究現(xiàn)狀
        1.2.1 風電機組狀態(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 風電機組基本結構與原理
    2.1 引言
    2.2 風電機組簡介
        2.2.1 風電機組基本構成及工作原理
        2.2.2 風電機組SCADA系統(tǒng)
        2.2.3 風電機組運行特性分析
    2.3 本章小結
第3章 深度神經(jīng)網(wǎng)絡
    3.1 引言
    3.2 深度學習發(fā)展歷程
    3.3 反向傳播神經(jīng)網(wǎng)絡
    3.4 限制玻爾茲曼機
        3.4.1 限制玻爾茲曼機基本結構
        3.4.2 參數(shù)計算
    3.5 深度信念網(wǎng)絡
    3.6 本章小結
第4章 基于深度信念網(wǎng)絡的狀態(tài)參數(shù)模型
    4.1 引言
    4.2 狀態(tài)參數(shù)預測模型概述及流程
    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 模型結構
        4.5.2 輸入?yún)?shù)驗證
        4.5.3 算法性能測試
    4.6 本章小結
第5章 風電機組運行狀態(tài)評價
    5.1 引言
    5.2 評價方法概述及流程
        5.2.1 風電機組運行狀態(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)預測誤差概率密度分布
    5.3 實例分析與驗證
        5.3.1 單模型評價
        5.3.2 多模型評價
    5.4 本章小結
第6章 總結與展望
    6.1 論文工作總結
    6.2 未來研究展望
參考文獻
攻讀碩士學位期間發(fā)表的論文及其他成果
致謝



本文編號：3853756