一、关于风能转换方法的探讨（论文文献综述）
侯波[1]（2021）在《分布式发电系统中变速风电机组及逆变器控制方法研究》文中研究说明作为可再生能源分布式发电（Distribution Generation,DG）系统“风能转换和电能变换”的关键接口,变速风电机组和逆变器是DG系统的两个核心装置。然而,在复杂运行环境下变速风电机组的强非线性和参数不确定性、逆变器滤波参数的不确定性、本地负载的非线性、不平衡性以及本地负载随系统工况的变化而变化等实际工程因素的存在,使得以PI为代表的线性控制方法难以满足现代DG系统对这两个核心装置高性能的控制要求。先进控制方法是解决线性控制方法不足的有效手段。为此,本文以变速风电机组、单相和三相逆变器（并网运行时简称为网侧逆变器,离网运行时简称为负载侧逆变器）为研究对象,依据它们在DG系统应用中的不同控制模式,以滑模控制、预测控制和自适应控制等具有代表性的先进控制理论为基础,进行了相关控制方法的深入研究,主要研究内容如下:（1）针对滑模抖振导致机组控制转矩发生高频振荡的问题,进行了传统等速趋近律的分析,指出了其趋近速度和滑模抖振水平之间的矛盾关系,提出了一种改进等速趋近律,在加快趋近速度的同时降低了滑模抖振水平。给出了基于改进等速趋近律的变速风电机组滑模控制器设计过程。采用Lyapunov稳定性理论设计了气动转矩观测器,实现了气动转矩的软测量。利用气动转矩前馈补偿减小了切换增益的取值范围,滑模抖振得到了进一步抑制。在上述基础上,构建了基于叶尖速比法的变速风电机组最大功率点跟踪（Maximum Power Point Tracking,MPPT）滑模趋近律控制系统,提高了系统控制性能。（2）针对模型预测电流控制对电感参数鲁棒性差的问题,提出了一种网侧逆变器鲁棒定频模型预测电流控制方法。采用最优时间序列的定频模型预测控制为框架,保证了开关频率的固定。从提升电流预测模型鲁棒性角度出发,通过在电流预测模型中增加鲁棒项、预测误差反馈项和电感前馈补偿项的方式得到了鲁棒电流预测模型,在加快预测模型收敛速度的同时实现了对电感参数的强鲁棒性,降低了模型预测电流控制对电感参数的敏感度。基于电感端电压和电流的关系设计了物理意义明确、结构简单且响应速度快的电感估计器。（3）针对电感参数变化对无差拍直接功率控制的稳态、动态性能影响较大的问题,提出了 一种网侧逆变器鲁棒无差拍直接功率控制方法。建立了网侧逆变器简化功率模型,在此模型基础上,采用观测器理论设计了功率扰动观测器,通过功率扰动前馈补偿保证了电感参数变化下的系统稳态性能;基于功率扰动模型设计了电感估计器,实现了电感参数的在线调整,避免了非精确的电感参数对系统瞬态性能的影响。以上方式确保了电感参数变化时有功、无功功率的控制性能最佳。基于简化功率模型设计控制器,通过功率扰动观测器进行功率预测,避免了算法计算量的增加。（4）以单相DG系统中的负载侧逆变器为研究对象,提出了三种输出电压控制方法,以降低本地负载随工况的变化而变化、LC滤波参数不确定性以及非线性负载等实际工程因素对电压波形质量的影响,具体为:（a）针对本地负载随系统工况的变化而变化的问题,进行了基于负载电流滑模观测器的负载侧逆变器输出电压控制方法的研究。基于串级控制理论,设计了电压外环滑模控制器和电流内环比例控制器。基于扩张观测器原理提出了负载电流滑模观测器,将观测的负载电流前馈补偿提升了系统对本地负载的自适应能力,避免了滑模抖振对电压波形质量的影响。所提负载电流滑模观测器具有低通滤波的性质,可直接被应用于工程实际;（b）基于负载电流滑模观测器的负载侧逆变器输出电压控制方法对LC滤波参数不具备良好的鲁棒性,因此针对LC滤波参数不确定性问题,提出了基于反步滑模的负载侧逆变器输出电压控制方法。该方法在传统反步设计的最后一步通过增加滑模鲁棒项提升了逆变系统对LC滤波参数的鲁棒性和对本地负载的抗扰动能力,同时也实现了单闭环电压控制;（c）基于反步滑模的负载侧逆变器输出电压控制方法需要本地负载参数和LC滤波参数的先验知识,因此提出了负载侧逆变器输出电压自适应互补滑模控制方法。该方法首先基于互补滑模控制理论设计了输出电压互补滑模控制器,然后分别设计了LC滤波参数自适律和电感电流估计器,实现了无需本地负载参数和LC滤波参数先验知识的单闭环输出电压自适应控制。（5）针对三相本地负载的不平衡和非线性、LC滤波参数不确定性问题,提出了一种三相DG系统负载侧逆变器输出电压自适应控制方法。在负载侧逆变器dq模型基础上,以输出电压及其导数为系统状态变量,得到了适用于单闭环电压控制的dq模型;将系统扰动分为稳态扰动和动态扰动两部分,分别设计了 PID控制器、稳态扰动自适应律和鲁棒控制项。PID控制器迫使电压跟踪误差趋于零,稳态扰动自适应律对稳态扰动在线补偿,鲁棒控制项对动态扰动进行抑制。所提控制方法无需相序分解,仅通过单闭环电压控制即实现了对任意类型本地负载的高性能输出电压控制和对LC滤波参数的强鲁棒性。
王雪,胡陈果,韩忠[2]（2021）在《用于风能和海洋能收集的摩擦纳米发电机研究进展》文中认为风能和海洋能是自然界中分布最广泛的可再生清洁能源,其高效转换和利用有望解决目前人类社会面临的严峻能源挑战.但是,由于传统发电技术的各种限制,这2类能源的开发目前在全球仍处于初级阶段.摩擦纳米发电机是一种新兴的能源转换技术,具有成本低、选材广、结构灵活、轻质便携等优点.近年来,摩擦纳米发电机在低频且无规则的机械能转换方面表现出独特优势,从而在风能和海洋能发电领域展现出巨大的应用前景.该文介绍了摩擦纳米发电机的基本工作原理和理论模型,详述了其在风能和海洋能收集方面的代表性结构设计和能量转换机理,列举了最新研究进展,分析了仍然存在的问题,并展望了未来的发展方向.
王伟超[3]（2021）在《含磁悬浮主动偏航风电机组的风能捕获控制》文中指出风能高效捕获的关键是风速风向时变情况下优化转速的快速跟踪以及风机桨叶的精准主动偏航,但风电机组的大功率化导致风能捕获机械动态过程变慢,尤其传统偏航装置多齿轮多电机结构使得风机主动偏航过程中故障率升高,损耗增大,通常以减少主动偏航频率为代价保证系统安全、减小功耗,导致风能捕获效率大大降低,为此本文提出了一种含磁悬浮主动偏航水平轴风电机组的风能捕获系统,并从风能捕获系统模型构建、风能捕获最大功率点跟踪（MPPT）控制和风能捕获偏航迎风控制等方面展开研究。风能捕获系统模型构建:分析了含磁悬浮主动偏航风水平轴电机组的风能捕获系统的运行机制,在传统风机运行阶段划分的基础上将运行区域进行合理分割,分成启动区、悬浮捕获区、阻尼MPPT区、阻尼恒功率控制区和刹车制动区,对上述各个区域进行了控制机制分析,构建了等效风速模型、风机系统模型、基于机侧变流器调控的永磁同步发电机模型以及轴向盘式电动机不同工作模式下的悬浮气隙控制和偏航阻尼控制模型。风能捕获MPPT控制:针对风速频变、风能捕获机械动态速度较慢,严重制约捕获效率的问题,在传统PID和积分滑模控制的基础上,提出了一种自适应高阶滑模超扭曲转速跟踪控制器,对高阶滑模边界层和系统参数的不确定性进行在线自适应逼近,从而削弱系统抖振,增强系统抗干扰能力,同时完成了所提算法的Lyapunov稳定性证明;采用转速和电流双闭环控制机制,搭建了非偏航阻尼工作模式下风能捕获MPPT自适应高阶滑模控制仿真实验平台,仿真结果显示,相比于PID和积分滑模控制,自适应高阶滑模控制在参考改变后0.03s内迅速达到稳定状态,稳态误差仅为0.0012rad/s,系统抖振被削弱,控制输入转矩电流振幅仅为10A,输出功率相比于积分滑模波动幅度大大减小,同时,仿真实验结果显示自适应控制在应对系统干扰方面效果显着。风能捕获偏航迎风控制:针对有效风速获取难度相对较大的问题,结合磁悬浮偏航系统的运行机制,设计了一种基于偏航负载转矩观测器的有效风速软测量技术;鉴于机舱悬浮系统中的多通道多种类干扰,进行匹配性干扰转化,同时为有效解决干扰转化后状态变量增多且难以获取的问题,提出了基于滑模状态观测器的机舱悬浮滑模跟踪控制策略,通过Lyapunov稳定性证明和仿真实验对比验证了该算法的有效性;对于偏航状态下的轴向盘式电机超低速控制问题,设计了滑模观测鲁棒自适应补偿转速控制器,将多模型参数自适应进行约束转换,解决了多模型参数逼近速度差异以及逼近整体误差对系统性能的影响,通过仿真实验,对比了PID和观测器+滑模控制器,验证了该算法在跟踪性能、动态响应速度和抗干扰能力方面的优势;将自适应高阶滑模控制策略应用于偏航迎风控制,通过仿真实验表明,自适应控制能够有效降低跟踪误差,在工况变化偏航迎风过程中最大功率系数能够快速响应并始终保持在最大值。
赵睿楠[4]（2021）在《基于集值观测器的风能转换系统故障诊断与控制》文中研究指明风能在世界范围内受到广泛关注。随着风电规模的扩大,风能转换系统的结构日益复杂,是一个具有强输入不确定性、高度耦合的机、电、液一体化复杂非线性动力学系统,风速、电网参数的随机时变对系统安全运行带来极大挑战,加之恶劣的运行环境,故障频发,甚至小故障也可能发展成灾难性故障,造成重大经济损失。实现风能转换系统故障诊断和容错控制,在保证功率转换效率的同时可减少设备事故率,降低维修费用,成为保障现代风力发电机组可靠运行、降低维护成本不可或缺的解决方案。风能转换系统包括空气动力子系统、桨叶子系统、传动子系统、发电机子系统、并网逆变子系统等模块,目前对其故障诊断的研究多针对其某个系统开展,缺乏一个统一的平台实现系统的全局故障诊断。为此本文在详细分析风能转换系统常见故障特性的基础上,考虑具有高阶、通信延时和未知非线性部分的风能转换系统,采用离散系统强正扰动不变理论和欧拉线性逼近理论,研究风能转换系统各子系统的状态集值观测器的设计及基于集值观测器的系统故障诊断与容错控制策略。主要研究工作如下:1.详细阐述风能转换系统的组成及其风能转换系统的整体数学模型。在此基础上,分析风能转换系统中常见12种故障特性,建立并分类各故障的数学模型,推导出故障情况下系统增广模型,为后面故障诊断策略的研究奠定基础。2.考虑存在通信延时和未知非线性的风能转换系统状态估计问题,采用离散系统的强正扰动不变理论设计集值观测器,设计集合诱导Lyapunov函数证明集值观测器的收敛性。在此基础上,设计变桨系统和变流器模型集值观测器;针对传动系统和变流器的联合系统模型,利用状态转移矢量和极点配置法设计降阶集值观测器;考虑风能转换系统中的通信延时和未知非线性,采用泰勒一阶展开式和高阶多项式数据拟合算法建立风能转换系统线性近似模型,采用非线性系统Lipschitz条件设计风能转换系统的非线性全局集值观测器。利用仿真结果验证各子系统对应集值观测器和非线性全局集值观测器的状态估计性能。3.基于以上设计的集值观测器,针对12种风能转换系统常见故障,设计基于多并行集值观测器的故障诊断策略。首先设计与三个变桨系统、传动系统和变流器一一对应的五并行集值观测器故障诊断策略;为减小故障误判风险,实现故障定位,在此基础上增加考虑延时的变桨系统集值观测器、传动系统与变流器联合模型的降阶集值观测器,以及非线性全局集值观测器,建立风能转换系统各子系统统一的八并行集值观测器故障诊断策略。仿真验证上述故障诊断策略可以输出包含准确的故障检测、正确的故障定位和快速的故障诊断用时等信息的故障诊断结果。4.针对变参数时滞系统,基于线性矩阵不等式（Linear Matrix Inequality,LMI）和矩阵Schur补性质设计非脆弱鲁棒H∞状态反馈控制器,建立包含积分环节的Lyapunov泛函保证闭环系统渐近稳定且满足H∞性能指标。以风能转换系统的变桨系统乘性故障为目标,设计由故障诊断结果驱动的鲁棒容错控制律以及切换集值观测器组。采用桨叶角执行器的泵磨损、液压泄漏和空气含量过高等三种故障进行仿真,验证所设计控制律的控制效果。
赵雪[5]（2021）在《基于摩擦电效应的自驱动纳米能源传感系统的构建及其性能研究》文中提出人类文明的建设离不开化石能源的消耗,传统化石能源的过度消耗导致亟待解决的全球能源危机及环境问题,可持续能源的开发和利用迫在眉睫。世界资源委员会对全球能源消耗的结构进行分析,并做相应能源消耗情况的展望:从2018年到2050年,可再生能源总消费量以3.6%的年增速增长。到2050年底,在电力需求扩大、全球工业化发展和全球化政策的推动下,可持续能源将成为一次能源消费的主要来源,预计到2050年,可再生能源将提供全球49%的电力。风能作为一种体量庞大、分布广泛的绿色可再生能源,被认为是取代化石能源、应对能源危机和环境污染的最有前景的新能源之一。截至2015年底,全球约4.3%的电力需求由风力发电技术实现。传统的风力发电塔存在占地面积大、分布偏远、噪声大、成本造价高等缺点,这会导致广泛存在于城市中的风能无法依靠风力发电塔被收集和利用,因此有必要开发一种新型的收集风能的能源技术,用来高效收集和利用广泛存在我们日常生活中的风能。物联网和人工智能的飞速发展离不开各种类型的传感器,各类传感器的使用离不开外部供电单元,这将限制传感器的使用寿命,同时带来环境污染,构建和发展自驱动传感器将为物联网的快速发展注入新的活力。近年来,基于摩擦电效应的纳米能源器件受到了广泛关注,摩擦纳米发电机具有轻巧便携、制备成本低、可低风速启动、结构灵活多变等特点。本论文构建了基于摩擦电效应的收集风能的自驱动纳米能源传感系统,能够高效收集环境中的风能同时可被作为传感器对应力、应变、角度、距离等做出高效且灵敏的响应。首先,基于摩擦起电和静电感应原理采用高弹性的导电泡沫构建了可收集风能的自驱动压力传感系统。采用两步制备工艺（冷冻干燥和热退火）制备出具有优异导电性、耐久性和可循环压缩性的聚酰亚胺/还原氧化石墨泡沫,将泡沫搭载于收集风能的垂直接触分离式摩擦纳米发电机中。研究发现不同高度的泡沫搭载于垂直接触分离式摩擦纳米发电机中时,具有不同范围的压力传感区间和响应规律。当尺寸为14 mm×14 mm×30 mm的弹性泡沫安置在有效接触面积为100mm×15 mm摩擦纳米发电机中,该摩擦纳米发电机能够输出高达130 V-7.5μA的交流信号,同时在0-30 N的压力范围内该器件的输出电压/电流随外界压力增加而增加,具有良好的传感性能。其次,构建了可拉伸的摩擦纳米发电机用于环境中风能的收集和超灵敏的应变传感。采用真空抽滤的方法制备了聚二甲基硅氧烷-石墨烯和聚二甲基硅氧烷-聚四氟乙烯柔性膜,利用柔性膜构建可拉伸的收集风能的摩擦纳米发电机。研究发现在风力驱动下通过拉伸该柔性发电机可大幅提高其输出电信号。在15 m/s的风能驱动下,当发电机应变从0%增加至70%,摩擦纳米发电机的输出电流/电压从40 V-1.5μA增加至128 V-7.2μA,其输出功率也从0.021 m W增加了680%达到0.164 m W。构建的柔性摩擦纳米发电机不仅可以作为风能收集器件将风能转换为电能给商用电容器充电,同时可以被用作超高灵敏度的应变传感器对不同应变做出良好的响应。最后,基于摩擦起电和静电感应原理构建了基于风能驱动的无线摩擦纳米发电机的管道智能监测系统。在18 m/s的风力驱动下,无线摩擦纳米发电机可以在接收距离为1.5 cm时可以输出121.0 V-4.4μA的交流电信号,当接收距离增加至10 cm时仍然可以获得8.0 V-0.7μA的电信号,说明该无线摩擦纳米发电机具有较好的远距离传输电能的本领,在无线电力传输和距离传感等方面具有巨大潜力。将构建的一系列无线摩擦纳米发电机安装在管道中,可以通过监测不同位置摩擦纳米发电机的输出信号实现对管道中有无障碍物及障碍物位置和放置状态的监测,显示了其在气体管道中作为自驱动无线传感的巨大应用前景。总而言之,通过纳米材料选择和摩擦纳米发电机的结构设计,构建出基于风能的摩擦纳米发电机的自驱动传感系统,可实现将环境中的风能转换为电能输出并同时对物理参量进行传感响应的功能。这将为开发收集可持续清洁能源的自驱动纳米能源系统提供设计思路。
陶凯[6]（2021）在《风电场发电功率的短期预测方法研究》文中研究说明由于风电的迅猛发展以及其在电网中并网容量的不断增加,风电场供电质量的稳定性对电网的安全稳定运行至关重要。因此在实际运行中,准确的风电功率的预测对风电场及时的发电调度以及电网的调峰、调频有重要意义。本课题以风电场短期的风电功率预测为目标进行了深入研究,主要的研究内容有:首先,分析了自然风的特性,然后结合风电场风力发电机组的两个能量转换过程,分别介绍了风力机和风力发电机的结构组成和工作原理,并且分析了影响风电场风电功率的气象因素。针对风电功率预测中出现的随机性和波动性的问题,提出了一种基于变分模态分解（VMD）和JAYA优化最小支持向量机（LSSVM）参数的预测方法,实现风电场短期风电功率的预测。该预测方法通过分析历史风速序列和气压对风电功率的影响,用VMD对历史风速进行分解,降低了风速的噪声影响,将分解出的风速分量结合气象因素中的气压作为LSSVM预测模型的训练输入,利用JAYA算法的寻优特性对LSSVM的参数进行优化,收敛速度快,建立短期风电功率预测模型。以风电场实测数据为例进行仿真分析,仿真结果验证了所提出的VMD-JAYA-LSSVM预测方法对短期风电功率预测的准确性。针对风电功率预测中原始数据可能出现错误和遗漏的情况以及风力发电功率的随机性问题,提出一种基于数据处理（DP）和鲁棒变分回声状态网络（RVESN）的组合预测方法。该方法首先要利用互信息法确定了对风电功率输出影响系数最大的风速时间序列,然后采用高斯算法拟合历史风电功率和风速时间序列,对原始风电功率中错误或者遗漏的数据进行修正和补充,同时,采用核主成分分析（KPCA）法对影响风电功率输出的时间序列即风速、风向、温度、气压、空气密度进行处理,提取能反映原始时间序列大部分特征的主成分,消除数据的冗余。最后,将处理过的数据作为鲁棒变分回声状态网络的输入训练预测模型,得到模型的输出权值,从而建立风电功率的短期预测模型。以NREL平台采集的美国东部某风电场的实测风电功率数据行仿真分析,并且对比了其他预测方法,验证了所提出的预测模型可行性以及更高的准确性。考虑风电场短期功率预测系统的实际功能需求,结合国内外风电系统的发展现状,利用基于J2EE的Spring Boot、My Batis后端框架、My SQL数据库以及前端展示的基于Java Script的可视化React框架等软件工具开发了网页版短期风电功率预测系统,实现风电场短期风电功率的可视化展示。
郑世光[7]（2021）在《风力发电机组预测变桨距控制技术研究》文中认为现代化社会对化石能源过度的攫取,已经造成了一系列环境污染问题。风能作为清洁能源,凭借其显着的社会效益越来越受各个国家的欢迎。由于风速具有波动性和间歇性,且风电机组具有大惯性和非线性的特点,这给风电机组的输出功率控制带来了挑战。随着近些年风电产业的快速发展,风电设备制造和控制技术也取得了长足的进步。变速变桨距风电机组在风能转换效率和功率控制方面有着无可比拟的优势。论文以变速变桨距风电机组为研究对象,以实现平抑功率输出波动为目标,提出一种行之有效的风电机组功率控制策略。论文首先分析风电机组的各个子系统和风速的工作原理并且搭建仿真实验模型,从而为后续的风速预测以及变桨距控制的实现奠定坚实的基础。由于风速难以预测以及风电机组的复杂性,使得传统的控制策略难以达到较好的控制效果。萤火虫算法作为元启发式算法,在求解复杂的非线性系统优化问题时,具有明显的优势。因此,论文引入萤火虫算法,并且对其进行改进,设计了并行结构和四种通讯策略,提出具有更快的收敛速度和更高收敛精度的分布式并行萤火虫算法（Distributed Parallel Firefly Algorithm,DPFA）,为后续的风速预测模型和控制器设计提供有效的算法支撑。其次,针对BP神经网络（Back Propagation Neural Network,BPNN）对风速时间序列的预测结果存在滞后现象,导致预测效果不佳的问题,论文引入经验模态分解（Empirical Mode Decomposition,EMD）对风速时间序列进行分解,然后利用DPFA算法优化BP神经网络的初始权值和阈值,最后将各分量叠加重构成最终的预测结果。针对在变化幅度较大的风况下,变桨距执行机构变桨不及时,以及反馈控制器控制信号具有滞后性的问题,论文提出预测前馈-反馈控制策略,将预测值作为前馈控制器的参考值,利用预测前馈控制器的预测值对经过DPFA优化的反馈控制器的控制信号进行补偿,使得变桨距执行机构能够提前一步变桨,达到风电机组功率平滑输出的目的。最后,将论文提出的算法和控制策略应用于兆瓦级风力发电机组,与传统的控制策略进行研究对比。实验结果表明,论文提出的预测前馈-反馈控制策略具有较好的控制效果,能有效平滑风电机组的功率输出,提高风电机组的稳定性,减少对电网的冲击。
刘微[8]（2021）在《面向风能获取的涡致振动特性研究》文中指出风能作为一种清洁能源一直备受青睐。涡致振动无叶片风力发电机,简称涡致振动风力发电机,是一种面向风能获取的涡致振动发电装置,又称无叶片风力发电机,是利用风场中柱体绕流的涡致振动原理将风能转换为机械能,再将机械能转换为电能。相对于经典的叶轮驱动的风力发电机组,涡致振动风力发电机,无转子、无齿轮箱、无偏航装置、无变桨装置,结构更加简单、紧凑,从而降低了产品成本和运维费用,容易小型化,可用于远程定期监测等小型电子设备上。本文跟踪本领域技术前沿,自主设计详细结构和众多参数,建立了多款涡致振动风力发电机的三维模型。本文以圆柱体和圆锥体的采风筒为研究对象,结合数值模拟与实物实验研究二者的振动特性,初步分析了二者的涡致振动机理。在研究过程中,两种采风筒采用相同的材料,并由相同材料和尺寸的悬臂梁支承。本文研究主要包含以下内容。（1）采用CFD二维数值模拟研究圆柱体采风筒涡致振动机理,建立单自由度圆柱弹簧振子系统,研究圆柱涡致振动位移时程曲线、响应频率以及升力系数响应频率,分析圆柱体采风筒在低风速情况下的涡致振动特性,初步探索涡致振动发电方式的可行性和应用潜能。（2）建立有限元模型,通过三维数值模拟研究圆柱体与圆锥体采风筒的固有频率,对比研究圆柱体与圆锥体采风筒的前六阶模态振型;采用CFD三维数值模拟研究二者的流固耦合压力云图,以某风速工况为例说明流场压力的三维特性,为后续的实物实验对比提供数据基础。（3）设计并建立了涡致振动实验平台,分别对钝体形状是圆柱体和圆锥体的两种采风筒进行了实验测试。设计合理的实验方案,研究采风筒的的模态、频率、振幅,并进行了数据分析,为后续研发工作奠定了基础。限于时间和水平,本文的研究工作,仅限于涡致振动风力发电机中采风筒的振动特性研究,在涡致振动风力发电机的理论计算方面、钝体优化方面、机电耦合方面,仍有很大的研究空间。
王永生[9]（2021）在《基于深度学习的短期风电输出功率预测研究》文中进行了进一步梳理风能作为重要的可再生能源,适合大面积开发利用,但由于风能的随机性、波动性等特点,风力发电输出功率具有不稳定性,电网中大比例接入风电会严重威胁电力系统的安全运行。风电输出功率预测技术为解决这一问题提供了可能,这一技术可预测未来一段时间内风电厂输出功率,为制定合理的调度、检修计划提供依据,对提高风电利用率及风能利用水平有十分重要的意义。为提高风电输出功率的预测准确率,本文基于深度学习技术,研究风电短期输出功率预测,融合多源数据,使用机器学习及深度学习技术进行数据清洗,设计算法构造预测模型输入数据集,构建TLW-LSTM和LW-CLSTM两种深度学习模型,开展风电输出功率预测实验,并与决策树、随机森林、支持向量机等传统机器学习模型的预测效果进行对比,验证了本文基于深度学习构建的风电输出功率预测模型的有效性,提高了预测准确率。本文主要研究内容如下:（1）实现了基于机器学习的风电非平稳态时间序列数据清洗。首先对风电历史功率数据、历史气象数据及风机状态数据进行多元数据融合,提出使用孤立森林算法进行异常值检测并标记为缺失值,使用GRUI网络结构构建WGAN对抗神经网络模型进行缺失值填补,完成了风电数据的清洗,最大限度地保存了原有数据的特征,在实验中得到了比传统的均值填充、前后值填充更好的数据清洗效果,之后通过对融合数据进行降维、离散化、归一化和独热编码等一系列处理,实现了符合深度学习需求的数据预处理;（2）提出了基于时间滑动窗口的深度学习输入数据集构造算法。风电输出功率具有一定的周期性,本文提出用时间滑动窗口构建风电时序数据集,在扩展原始数据集、提高数据利用率充分挖掘数据特征的同时,有效提取了风电输出功率的时间周期特性,为使用深度神经网络实现风电输出功率的多变量非线性拟合创造了条件;（3）构建了基于深度学习的TLW-LSTM风电输出功率预测模型。使用时间滑动窗口算法构造数据集作为深度学习输入数据集,使用LSTM长短时记忆网络构建TLW-LSTM深度学习模型,模型使用两层全联接层作为输入和输出层、三层多节点LSTM层作为隐藏层,采用Nadam优化器、Droupout及正则化技术改进模型性能,实现了比传统机器学习模型更优良的预测效果,d＿MAE预测准确率达92.7%;（4）构建了基于CNN网络结构的LW-CLSTM深度学习预测模型。针对TLW-LSTM风电输出功率预测模型运算时间长、网络收敛慢的不足,使用CNN网络结构对TLW-LSTM模型进行优化,构建了LW-CLSTM深度学习模型。该模型利用了CNN出色的特征提取能力和LSTM的时间序列处理能力,在不降低预测准确率的前提下,有效提高了模型运算效率,在相同数据集上明显减小了计算时间达66%,为模型投入生产应用奠定了基础;（5）完成了传统机器学习模型与TLW-LSTM和LW-CLSTM两种深度学习模型的预测准确率及误差对比分析。为符合风电行业应用的预测评价,研究设计了最大相对误差统计分布法和MAE平均差值法两种准确率评价指标,应用到对比实验中。构建决策树、随机森林和支持向量机三种传统机器学习预测模型,使用相同的输入数据集进行模型训练和预测,与本文构建的TLW-LSTM和LW-CLSTM深度学习模型的预测结果进行对比,并分析预测误差及预测准确率,证实了本文构建的深度学习模型在预测准确率方面有明显优势。
管奇卉[10]（2020）在《基于冲击效应的轨道交通压电式多向风能俘获系统设计》文中研究表明随着轨道交通的跨越式发展,我国高速铁路规模和覆盖面积极速增长,现已成为世界高速铁路建设里程最多的国家。与此同时,高铁中的电子监控设备以及安全状态监测变得越来越重要,其中用于轨道交通状态监测的无线传感器存在着能量供给方面的诸多问题,对我国高速铁路的发展产生了不可小觑的负面影响。而风能作为自然界中储量丰富的环保能源,具有十分可观的利用潜力。随着能量俘获技术的逐渐成熟,利用压电能量收集技术俘获环境风能以实现轨道交通中无线传感器的自供电将能够有效地解决无线传感器的能量供给问题。因此,本文开展基于冲击效应的轨道交通压电式多向风能俘获系统设计,所提出的风能俘获系统收集轨道交通沿线的自然风和列车经过时所产生的列车风,利用冲击效应俘获压电能量并达到为无线传感器节点供电的目的,具有较高的工程实用意义和良好的环境效益,为推动我国轨道交通运营的安全可持续发展提供了技术方案。本文的主要研究工作如下:首先,压电式多向风能俘获系统的方案原理介绍和模块化设计。通过综述分析国内外现有能量俘获的研究成果,本文提出了一种基于冲击效应的轨道交通压电式多向风能俘获系统,并介绍了系统组成和工作原理。基于模块化设计的理念,对系统的多向风能俘获模块、冲击变形放大模块、压电转换发电模块和能量存储利用模块进行了设计,并在Solid Works软件中建立了整个系统的三维模型。其次,压电式多向风能俘获系统的理论分析与性能仿真。基于对压电效应、压电悬臂梁等相关理论知识的了解学习,本文对多向风能俘获系统将风能转化为机械能,再将机械能转化为电能的过程进行了理论分析。对照轨道交通环境下的不同风况,在COMSOL Multiphysics 5.3a有限元软件中进行了相应的流体输入设定,并对所提出三种不同工作模型的压电式多向风能俘获系统进行了多物理场耦合仿真分析。仿真结果表明本文所设计系统对于轨道交通中的风能俘获和压电转换有着较好的增益效果。最后,压电式多向风能俘获系统样机制作及其试验研究。本文制作了压电式多向风能俘获系统样机以验证其工作性能。利用西南交通大学?1.2m空气动力学试验系统平台,对系统在轨道交通环境中不同输入风速以及不同工作模型下的压电转换特性进行了测试分析,结果显示第三种工作模型在6.5m/s的最佳风速下,单个系统输出功率可达到4.35m W。最终试验结论与仿真结论一致,初步证明了压电式多向风能俘获系统可为轨道交通沿线低功率微型传感器和小型应急设备供电的可行性。
二、关于风能转换方法的探讨（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、关于风能转换方法的探讨（论文提纲范文）
（1）分布式发电系统中变速风电机组及逆变器控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景与意义 |
| 1.1.1 可再生能源分布式发电 |
| 1.1.2 变速风电机组和逆变器的运行方式 |
| 1.1.3 变速风电机组和逆变器在分布式发电应用中的技术标准与要求 |
| 1.2 国内外研究现状 |
| 1.2.1 变速风电机组MPPT控制方法研究现状 |
| 1.2.2 网侧和负载侧逆变器控制方法研究现状 |
| 1.3 本文主要研究内容和章节安排 |
| 2 变速风电机组MPPT滑模趋近律控制方法研究 |
| 2.1 变速风电机组建模 |
| 2.1.1 风力机空气动力学模型 |
| 2.1.2 机械传动轴系数学模型 |
| 2.1.3 控制目标及变速风电机组状态空间模型 |
| 2.2 基于改进等速趋近律的变速风电机组滑模控制 |
| 2.2.1 传统滑模趋近律 |
| 2.2.2 等速趋近律的趋近时间与抖振分析 |
| 2.2.3 改进等速趋近律 |
| 2.2.4 改进等速趋近律的抖振分析 |
| 2.2.5 改进等速趋近律的稳定性分析 |
| 2.2.6 基于改进等速趋近律的变速风电机组滑模控制器设计 |
| 2.3 气动转矩观测器 |
| 2.4 仿真与实验 |
| 2.4.1 实验平台简介 |
| 2.4.2 仿真和实验 |
| 2.5 本章小结 |
| 3 网侧逆变器鲁棒定频模型预测电流控制方法研究 |
| 3.1 模型预测控制概述 |
| 3.2 网侧逆变器数学模型 |
| 3.3 传统定频模型预测电流控制 |
| 3.3.1 传统定频模型预测电流控制原理 |
| 3.3.2 滤波电感对传统定频模型预测电流控制的影响 |
| 3.4 网侧逆变器鲁棒定频模型预测电流控制 |
| 3.4.1 鲁棒电流预测模型 |
| 3.4.2 电感估计器 |
| 3.5 仿真与实验 |
| 3.6 本章小结 |
| 4 网侧逆变器鲁棒无差拍直接功率控制方法研究 |
| 4.1 网侧逆变器离散功率模型 |
| 4.2 传统网侧逆变器无差拍直接功率控制 |
| 4.3 网侧逆变器鲁棒无差拍直接功率控制 |
| 4.3.1 功率扰动观测器 |
| 4.3.2 基于功率扰动观测器的电感估计器 |
| 4.3.3 网侧逆变器鲁棒无差拍直接功率控制器设计 |
| 4.4 仿真与实验 |
| 4.5 本章小结 |
| 5 单相DG系统负载侧逆变器输出电压鲁棒和自适应控制方法研究 |
| 5.1 基于负载电流滑模观测器的负载侧逆变器输出电压控制方法 |
| 5.1.1 单相DG系统负载侧逆变器数学模型 |
| 5.1.2 负载电流滑模观测器 |
| 5.1.3 输出电压控制器设计 |
| 5.1.4 仿真与实验 |
| 5.2 基于反步滑模的负载侧逆变器输出电压控制方法 |
| 5.2.1 反步法概述 |
| 5.2.2 负载侧逆变器严参数反馈数学模型 |
| 5.2.3 基于反步滑模的输出电压控制器设计 |
| 5.2.4 仿真与实验 |
| 5.3 负载侧逆变器输出电压自适应互补滑模控制方法 |
| 5.3.1 互补滑模控制理论概述 |
| 5.3.2 负载侧逆变器输出电压滑模控制 |
| 5.3.3 负载侧逆变器输出电压互补滑模控制 |
| 5.3.4 负载侧逆变器输出电压自适应互补滑模控制 |
| 5.3.5 电感电流估计器 |
| 5.3.6 仿真与实验 |
| 5.4 本章小结 |
| 6 三相DG系统负载侧逆变器输出电压自适应控制方法研究 |
| 6.1 三相DG系统负载侧逆变器数学模型 |
| 6.2 传统PI控制方法 |
| 6.3 三相DG系统负载侧逆变器输出电压自适应控制方法 |
| 6.3.1 三相DG系统负载侧逆变器输出电压自适应控制器设计 |
| 6.3.2 稳定性证明与分析 |
| 6.4 仿真与实验 |
| 6.5 本章小节 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间参加的科研项目和成果 |
（2）用于风能和海洋能收集的摩擦纳米发电机研究进展（论文提纲范文）
| 1 TENG的基础理论 |
| 1.1 工作原理 |
| 1.2 接触起电的物理机制 |
| 1.3 摩擦材料 |
| 1.4 4种基本工作模式 |
| 1.4.1 垂直接触-分离式 |
| 1.4.2 水平滑移式 |
| 1.4.3 单电极模式 |
| 1.4.4 独立层模式 |
| 2 TENG用于风能收集与转换的研究进展 |
| 2.1 旋转式风能收集TENG |
| 2.2 流致振动式风能收集TENG |
| 3 TENG用于海洋能收集与转换的研究进展 |
| 3.1 固-固接触式海洋能收集TENG |
| 3.2 固-液接触式海洋能收集TENG |
| 3.3 复合型海洋能收集TENG |
| 4 总结与展望 |
（3）含磁悬浮主动偏航风电机组的风能捕获控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容及创新点 |
| 第2章 含磁悬浮主动偏航风电机组的风能捕获系统建模 |
| 2.1 工作机制分析 |
| 2.2 等效风速模型 |
| 2.3 风机系统模型 |
| 2.4 基于机侧变流器调控的永磁同步发电机模型 |
| 2.5 风力偏航电机模型 |
| 2.5.1 悬浮气隙控制模型 |
| 2.5.2 偏航阻尼控制模型 |
| 2.5.3 轴向盘式电机数学模型 |
| 本章小结 |
| 第3章 磁悬浮风电机组风能捕获MPPT控制 |
| 3.1 MPPT控制机制分析 |
| 3.2 磁悬浮风电机组风能捕获MPPT积分滑模控制 |
| 3.2.1 积分滑模转速跟踪控制器设计 |
| 3.2.2 电流内环控制器设计 |
| 3.2.3 仿真实验研究 |
| 3.3 磁悬浮风电机组风能捕获MPPT自适应高阶滑模控制 |
| 3.3.1 高阶滑模控制器设计 |
| 3.3.2 自适应高阶滑模控制器设计 |
| 3.3.3 稳定性证明 |
| 3.3.4 仿真实验研究 |
| 本章小结 |
| 第4章 磁悬浮风电机组风能捕获偏航迎风控制 |
| 4.1 基于偏航负载转矩观测器的有效风速软测量技术 |
| 4.1.1 软测量技术原理介绍 |
| 4.1.2 偏航负载转矩观测器设计 |
| 4.2 基于滑模状态观测器的机舱悬浮跟踪滑模控制 |
| 4.2.1 滑模控制器设计 |
| 4.2.2 滑模状态观测器设计 |
| 4.2.3 稳定性证明 |
| 4.2.4 仿真实验研究 |
| 4.3 轴向盘式电机超低速控制 |
| 4.3.1 滑模观测鲁棒自适应补偿转速跟踪控制器设计 |
| 4.3.2 稳定性证明 |
| 4.3.3 仿真实验研究 |
| 4.4 自适应高阶滑模偏航迎风控制仿真实验研究 |
| 本章小结 |
| 第5章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的学术情况 |
（4）基于集值观测器的风能转换系统故障诊断与控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的主要工作 |
| 第二章 风能转换系统模型与故障模型 |
| 2.1 引言 |
| 2.2 风能转换系统物理结构 |
| 2.3 风能转换系统子系统模型与数学模型 |
| 2.4 风能转换系统常见故障描述及分类 |
| 2.5 故障系统增广模型 |
| 2.6 本章小结 |
| 第三章 风能转换系统集值观测器设计 |
| 3.1 引言 |
| 3.2 集值观测器设计与仿真 |
| 3.2.1 集值观测器设计 |
| 3.2.2 变桨系统集值观测器的收敛性证明 |
| 3.2.3 仿真研究 |
| 3.3 降阶集值观测器设计与仿真 |
| 3.3.1 降阶集值观测器设计 |
| 3.3.2 联合系统降阶集值观测器设计 |
| 3.3.3 仿真研究 |
| 3.4 考虑延时的集值观测器设计与仿真 |
| 3.4.1 带通信延时的风能转换系统线性近似模型 |
| 3.4.2 考虑延时的风能转换系统集值观测器设计 |
| 3.4.3 仿真研究 |
| 3.5 非线性全局集值观测器设计与仿真 |
| 3.5.1 考虑未知非线性的集值观测器设计 |
| 3.5.2 风能转换系统的非线性全局集值观测器设计 |
| 3.5.3 仿真研究 |
| 3.6 本章小结 |
| 第四章 基于集值观测器的风能转换系统的故障诊断 |
| 4.1 引言 |
| 4.2 故障危害评估及数值设定 |
| 4.2.1 故障危害评估 |
| 4.2.2 故障数值设定 |
| 4.3 故障诊断原理 |
| 4.4 风能转换系统的故障诊断研究 |
| 4.4.1 基于五并行集值观测器的故障诊断策略 |
| 4.4.2 故障诊断策略仿真研究 |
| 4.4.3 基于八并行集值观测器的故障诊断策略 |
| 4.4.4 改进故障诊断策略的仿真研究 |
| 4.5 基于故障诊断结果的故障处理 |
| 4.6 本章小结 |
| 第五章 风能转换系统鲁棒容错控制 |
| 5.1 引言 |
| 5.2 非脆弱鲁棒H_∞控制器设计 |
| 5.3 变桨系统鲁棒容错控制律 |
| 5.4 仿真研究 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间科研成果 |
（5）基于摩擦电效应的自驱动纳米能源传感系统的构建及其性能研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 传统发电机收集能源的方式及特点 |
| 1.3 新型纳米发电机的原理及研究现状 |
| 1.3.1 压电纳米发电机 |
| 1.3.2 热电纳米发电机 |
| 1.3.3 摩擦纳米发电机 |
| 1.4 收集风能的摩擦纳米发电机的研究现状 |
| 1.5 应力/应变传感器概述 |
| 参考文献 |
| 第二章 基于风能摩擦纳米发电机的自驱动压力传感器的构建与性能研究 |
| 2.1 引言 |
| 2.2 实验材料试剂与仪器设备 |
| 2.2.1 实验材料与试剂 |
| 2.2.2 实验仪器与设备 |
| 2.3 聚酰亚胺-还原氧化石墨复合泡沫制备与表征 |
| 2.3.1 氧化石墨(GO)制备 |
| 2.3.2 水溶性聚酰亚胺(PI)前驱体的制备 |
| 2.3.3 聚酰亚胺-还原氧化石墨复合泡沫的制备及表征 |
| 2.3.4 银纳米颗粒及银纳米电极制备及表征 |
| 2.4 基于风能摩擦纳米发电机的压力传感器的构建与性能研究 |
| 2.4.1 基于风能摩擦纳米发电机的压力传感器的构建 |
| 2.4.2 收集风能的摩擦纳米发电机的工作原理 |
| 2.4.3 基于风能摩擦纳米发电机的压力传感器的性能研究 |
| 2.4.4 不同高度PI/rGO泡沫组装的压力传感器的性能研究 |
| 2.5 本章小结 |
| 参考文献 |
| 第三章 具有拉伸增强的基于风能摩擦纳米发电机的自驱动应变传感器的构建与性能研究 |
| 3.1 引言 |
| 3.2 实验材料试剂与仪器设备 |
| 3.2.1 实验材料与试剂 |
| 3.2.2 实验仪器与设备 |
| 3.3 可拉伸的聚二甲基硅氧烷(PDMS)复合材料的制备与表征 |
| 3.3.1 可拉伸的石墨烯-PDMS复合材料的制备 |
| 3.3.2 可拉伸的聚四氟乙烯-PDMS复合材料的制备 |
| 3.3.3 可拉伸的聚二甲基硅氧烷(PDMS)复合材料的表征 |
| 3.4 基于可拉伸风能摩擦纳米发电机的自驱动应变传感器的构建与性能研究 |
| 3.4.1 可拉伸风能摩擦纳米发电机的构建与工作原理 |
| 3.4.2 气隙间隔对可拉伸风能摩擦纳米发电机输出性能的影响 |
| 3.4.3 基于可拉伸风能摩擦纳米发电机的自驱动应变传感器性能研究 |
| 3.4.4 可拉伸风能摩擦纳米发电机的拉伸增强功率特性研究 |
| 3.5 本章小结 |
| 参考文献 |
| 第四章 基于风能无线摩擦纳米发电机的多功能自驱动传感系统的构建及其性能研究 |
| 4.1 引言 |
| 4.2 实验材料试剂与仪器设备 |
| 4.2.1 实验材料与试剂 |
| 4.2.2 实验仪器与设备 |
| 4.3 收集风能的无线摩擦纳米发电机的制备及工作原理 |
| 4.3.1 无线摩擦纳米发电机接收电极的制备及器件组装 |
| 4.3.2 收集风能的无线摩擦纳米发电机的工作原理 |
| 4.4 基于风能无线摩擦纳米发电机的多功能传感系统的构建及性能研究 |
| 4.4.1 基于风能无线摩擦纳米发电机的距离传感器的构建及性能研究 |
| 4.4.2 基于风能无线摩擦纳米发电机的角度传感器的构建及性能研究 |
| 4.4.3 基于风能无线摩擦纳米发电机的智能管道监测系统的构建与性能研究 |
| 4.5 本章小结 |
| 参考文献 |
| 第五章 结论与展望 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（6）风电场发电功率的短期预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 风电功率预测技术国内外发展概述 |
| 1.2.1 风电功率预测系统国内外发展历程 |
| 1.2.2 风电功率预测主要方法 |
| 1.3 主要研究内容 |
| 第二章 风电场风电功率出力分析 |
| 2.1 引言 |
| 2.2 风能特性 |
| 2.2.1 风的动能 |
| 2.2.2 风的特性 |
| 2.3 风电场风能转换原理 |
| 2.3.1 风力发电机组的组成和分类 |
| 2.3.2 风力机结构及工作原理 |
| 2.3.3 风力发电机结构及其工作原理 |
| 2.4 风电功率的影响因素分析 |
| 2.4.1 风速与风电功率的关系 |
| 2.4.2 风向与风电功率的关系 |
| 2.4.3 空气密度与风电功率的关系 |
| 2.5 本章小结 |
| 第三章 基于VMD-JAYA-LSSVM的短期风电功率预测 |
| 3.1 引言 |
| 3.2 变分模态分解 |
| 3.3 JAYA优化算法和最小二乘支持向量机(LSSVM) |
| 3.3.1 JAYA优化算法 |
| 3.3.2 最小二乘支持向量机(LSSVM)预测模型 |
| 3.4 基于JAYA-LSSVM的组合预测模型 |
| 3.5 仿真结果与分析 |
| 3.5.1 风速序列VMD分解 |
| 3.5.2 基于VMD-JAYA-LSSVM的短期风电功率预测 |
| 3.6 本章小结 |
| 第四章 计及数据修正的短期风电功率预测 |
| 4.1 引言 |
| 4.2 高斯拟合算法 |
| 4.3 核主成分分析和回声状态网络 |
| 4.3.1 核主成分分析 |
| 4.3.2 回声状态网络(ESN) |
| 4.4 基于DP-鲁棒变分ESN预测模型 |
| 4.5 仿真结果与分析 |
| 4.5.1 数据处理 |
| 4.5.2 基于DP-RVESN预测模型的预测结果 |
| 4.6 本章小结 |
| 第五章 风电场风电功率预测系统 |
| 5.1 引言 |
| 5.2 功能分析 |
| 5.2.1 功能需求 |
| 5.2.2 系统目标 |
| 5.3 架构设计 |
| 5.3.1 接口层和数据层 |
| 5.3.2 预测层和表现层 |
| 5.4 系统实现和应用 |
| 5.4.1 系统实现技术 |
| 5.4.3 系统应用 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 未来展望 |
| 致谢 |
| 参考文献 |
| 附录: 作者在攻读硕士学位期间的科研成果 |
（7）风力发电机组预测变桨距控制技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外风力发电发展现状 |
| 1.2.1 国外风力发电发展现状 |
| 1.2.2 国内风力发电发展现状 |
| 1.3 风电功率控制技术研究现状 |
| 1.4 国内外变桨距控制技术研究现状 |
| 1.5 主要内容及结构安排 |
| 第二章 风力发电机组的工作原理与模型搭建 |
| 2.1 风力发电机组的整体结构 |
| 2.2 风力机的运行特性 |
| 2.3 风速模型 |
| 2.4 风力发电机组的模型搭建 |
| 2.4.1 风力机模型 |
| 2.4.2 传动链模型 |
| 2.4.3 发电机的模型 |
| 2.4.4 变桨距执行机构的模型 |
| 2.5 本章小结 |
| 第三章 改进萤火虫算法的研究 |
| 3.1 标准萤火虫算法 |
| 3.1.1 萤火虫算法的基本理论 |
| 3.1.2 萤火虫算法的流程 |
| 3.2 改进的萤火虫算法 |
| 3.2.1 改进的萤火虫算法通讯策略 |
| 3.2.2 分布式并行机制 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 基于EMD-DPFA-BPNN的风速预测 |
| 4.1 经验模态分解 |
| 4.2 BP神经网络的原理 |
| 4.3 基于EMD-DPFA-BPNN的风速预测 |
| 4.3.1 EMD-DPFA-BPNN算法流程 |
| 4.3.2 样本处理及参数设置 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于DPFA的预测前馈-反馈变桨距控制 |
| 5.1 风电功率控制策略 |
| 5.2 预测前馈控制器设计 |
| 5.3 反馈控制器设计 |
| 5.3.1 PID控制理论 |
| 5.3.2 基于DPFA算法的PID参数整定 |
| 5.3.3 自适应模糊PID控制 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 附录一 |
| 附录二 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（8）面向风能获取的涡致振动特性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 背景与意义 |
| 1.2 研究现状 |
| 1.2.1 涡致振动现象 |
| 1.2.2 涡致振动发电装置 |
| 1.3 研究对象 |
| 1.3.1 涡致振动获能原理 |
| 1.3.2 研究对象 |
| 1.4 研究目标和内容 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容 |
| 1.4.3 研究方法 |
| 1.5 论文结构 |
| 第2章 涡致振动问题的基本理论 |
| 2.1 引言 |
| 2.2 涡致振动 |
| 2.2.1 涡旋脱落机理 |
| 2.2.2 涡致振动参数 |
| 2.3 CFD数值计算理论基础 |
| 2.3.1 流体流动控制方程 |
| 2.3.2 湍流方程 |
| 2.3.3 动网格技术 |
| 2.4 本章小结 |
| 第3章 涡致振动的二维数值模拟 |
| 3.1 引言 |
| 3.2 结构控制方程 |
| 3.3 结构控制方程的求解 |
| 3.4 CFD数值计算流程 |
| 3.5 构建计算域模型 |
| 3.6 计算结果分析 |
| 3.6.1 计算模型验证 |
| 3.6.2 计算结果分析 |
| 3.7 本章小结 |
| 第4章 涡致振动的三维数值模拟 |
| 4.1 引言 |
| 4.2 采风筒的模态分析 |
| 4.2.1 模态分析简介 |
| 4.2.2 理论基础 |
| 4.2.3 求解流程 |
| 4.2.4 有限元建模 |
| 4.2.5 结果分析 |
| 4.3 采风筒的流固耦合特性分析 |
| 4.3.1 流固耦合分析简介 |
| 4.3.2 有限元建模 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 第5章 涡致振动实验平台 |
| 5.1 引言 |
| 5.2 实验平台设计 |
| 5.3 实验装置简介 |
| 5.4 实验过程 |
| 5.5 实验结果及分析 |
| 5.5.1 模态分析 |
| 5.5.2 振幅和频率分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（9）基于深度学习的短期风电输出功率预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 风电发展现状 |
| 1.1.2 风电发展面临的主要问题 |
| 1.1.3 风电输出功率预测的意义 |
| 1.2 国内外风电输出功率预测研究现状 |
| 1.2.1 风电输出功率预测方法分类 |
| 1.2.2 风电输出功率预测方法 |
| 1.2.3 风电功率预测研究现状 |
| 1.2.4 研究现状总结 |
| 1.3 论文主要研究内容及组织结构 |
| 2 风电功率预测相关理论及技术 |
| 2.1 风电基础理论概述 |
| 2.1.1 风能原理 |
| 2.1.2 风力发电原理 |
| 2.1.3 风电功率影响因素的分析 |
| 2.1.4 风速、风向和风功率的关系 |
| 2.2 风电数据处理技术 |
| 2.2.1 数据清洗技术 |
| 2.2.2 数据预处理技术 |
| 2.3 风电预测模型原理 |
| 2.3.1 物理模型理论 |
| 2.3.2 传统统计模型 |
| 2.3.3 机器学习理论 |
| 2.3.4 深度学习理论 |
| 2.3.5 深度学习优化技术 |
| 2.4 风电输出功率预测流程 |
| 2.5 本章小结 |
| 3 机器学习支持下的多源数据融合及分析清洗研究 |
| 3.1 风电大数据特点 |
| 3.2 风电场概况及数据来源 |
| 3.3 风电数据质量控制 |
| 3.3.1 测风塔数据的质量控制 |
| 3.3.2 风电场监控数据的质量控制 |
| 3.4 实验数据融合 |
| 3.5 传统的数据清洗 |
| 3.5.1 异常值检测方法 |
| 3.5.2 缺失值填补方法 |
| 3.6 基于孤立森林的异常值检测算法 |
| 3.7 基于深度学习的缺失值填补 |
| 3.7.1 GAN结构及原理 |
| 3.7.2 WGAN网络填充缺失值 |
| 3.8 数据清洗实验设计 |
| 3.8.1 实验数据集 |
| 3.8.2 实验环境配置 |
| 3.8.3 实验方案 |
| 3.8.4 孤立森林算法进行异常值检测 |
| 3.8.5 WGAN网络进行缺失值填充 |
| 3.8.6 比较方法与评价指标 |
| 3.8.7 实验过程 |
| 3.8.8 实验结论 |
| 3.9 本章小结 |
| 4 基于LSTM构建风电输出功率预测模型 |
| 4.1 风电输出功率预测方法总体框架 |
| 4.2 数据融合与清洗 |
| 4.3 数据预处理 |
| 4.3.1 数据降维 |
| 4.3.2 数据标准化 |
| 4.3.3 数据离散化和one-hot编码 |
| 4.4 深度学习输入样本集构建 |
| 4.4.1 深度学习特征选择 |
| 4.4.2 基于时间滑动窗口的深度学习数据集构建 |
| 4.5 深度学习模型构造 |
| 4.5.1 风速和风功率相关性分析 |
| 4.5.2 TLW-LSTM深度学习模型构建 |
| 4.5.3 TLW-LSTM模型的回归准确率评价指标 |
| 4.6 实验验证及分析 |
| 4.6.1 实验数据集 |
| 4.6.2 时间滑动窗口构建输入数据集 |
| 4.6.3 实验设计 |
| 4.6.4 预测模型的实验结果 |
| 4.6.5 实验对比分析 |
| 4.7 本章小结 |
| 5 基于CNN改良风电输出功率预测模型 |
| 5.1 风电厂输出功率预测方法总体框架 |
| 5.2 基于CNN和 LSTM结构构建时间序列深度神经网络模型 |
| 5.2.1 CNN卷积神经网络 |
| 5.2.2 CNN卷积网络快速提取特征 |
| 5.2.3 CNN和 LSTM构建LW-CLSTM组合神经网络模型 |
| 5.2.4 LW-CLSTM模型回归准确率评价指标设计 |
| 5.3 实验验证及分析 |
| 5.3.1 实验设计 |
| 5.3.2 LW-CLSTM与 TLW-LSTM模型实验分析 |
| 5.3.3 实验对比分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 全文总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（10）基于冲击效应的轨道交通压电式多向风能俘获系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究发展现状 |
| 1.2.1 传统风能收集的发展现状 |
| 1.2.2 电磁式能量收集的发展现状 |
| 1.2.3 压电式能量收集的发展现状 |
| 1.3 能量俘获在自供电传感器上的应用研究进展 |
| 1.4 主要内容及结构 |
| 1.5 本章小结 |
| 第2章 轨道交通压电式多向风能俘获系统设计 |
| 2.1 引言 |
| 2.2 压电式多向风能俘获系统的模块化设计 |
| 2.2.1 压电式风能俘获系统的工作原理 |
| 2.2.2 多向风能俘获模块 |
| 2.2.3 冲击变形放大模块 |
| 2.2.4 压电转换发电模块 |
| 2.2.5 能量存储利用模块 |
| 2.3 本章小结 |
| 第3章 压电式多向风能俘获系统的理论基础及仿真分析 |
| 3.1 引言 |
| 3.2 风能分析 |
| 3.2.1 S型转子基本参数 |
| 3.2.2 S型转子平均功率 |
| 3.2.3 风能利用系数 |
| 3.3 PVDF压电转化理论分析 |
| 3.3.1 压电效应 |
| 3.3.2 压电模式 |
| 3.3.3 压电悬臂梁 |
| 3.3.4 理论建模分析 |
| 3.4 基于PVDF压电转化模型的有限元仿真 |
| 3.4.1 有限元分析法的基础理论 |
| 3.4.2 基于COMSOL Multiphysics软件的仿真模拟 |
| 3.4.3 三种工作模型的静力学分析 |
| 3.5 本章小结 |
| 第4章 压电式多向风能俘获系统的试验与结果讨论 |
| 4.1 引言 |
| 4.2 压电式多向风能俘获系统样机制作及试验 |
| 4.2.1 多向风能俘获系统样机制作 |
| 4.2.2 压电式多向风能俘获系统性能试验 |
| 4.3 压电式多向风能俘获系统试验结果分析 |
| 4.3.1 第一种工作模型的结果分析 |
| 4.3.2 第二种工作模型的结果分析 |
| 4.3.3 第三种工作模型的结果分析 |
| 4.3.4 三种工作模型对比分析 |
| 4.4 本章小结 |
| 第5章 压电式多向风能俘获系统的应用研究 |
| 5.1 轨道交通风能分析 |
| 5.1.1 自然风 |
| 5.1.2 列车风 |
| 5.2 轨道交通压电风能俘获系统 |
| 5.3 模拟实地测试 |
| 5.4 本章小结 |
| 第6章 全文总结 |
| 6.1 主要研究工作和结论 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
| 索引 |
四、关于风能转换方法的探讨（论文参考文献）
- [1]分布式发电系统中变速风电机组及逆变器控制方法研究[D]. 侯波. 西安理工大学, 2021(01)
- [2]用于风能和海洋能收集的摩擦纳米发电机研究进展[J]. 王雪,胡陈果,韩忠. 物理实验, 2021(06)
- [3]含磁悬浮主动偏航风电机组的风能捕获控制[D]. 王伟超. 曲阜师范大学, 2021(02)
- [4]基于集值观测器的风能转换系统故障诊断与控制[D]. 赵睿楠. 江南大学, 2021(01)
- [5]基于摩擦电效应的自驱动纳米能源传感系统的构建及其性能研究[D]. 赵雪. 吉林大学, 2021(01)
- [6]风电场发电功率的短期预测方法研究[D]. 陶凯. 江南大学, 2021(01)
- [7]风力发电机组预测变桨距控制技术研究[D]. 郑世光. 福建工程学院, 2021(02)
- [8]面向风能获取的涡致振动特性研究[D]. 刘微. 华北电力大学(北京), 2021(01)
- [9]基于深度学习的短期风电输出功率预测研究[D]. 王永生. 内蒙古农业大学, 2021(01)
- [10]基于冲击效应的轨道交通压电式多向风能俘获系统设计[D]. 管奇卉. 西南交通大学, 2020(07)