| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-10页 |
| CATALOG | 第10-12页 |
| 第一章 绪论 | 第12-20页 |
| 1．1 电力系统自适应重合闸概述 | 第12-14页 |
| 1．1．1 引言 | 第12-13页 |
| 1．1．2 自动重合闸的应用发展历史 | 第13-14页 |
| 1．2 基于小波神经网络的智能式自适应重合闸 | 第14-18页 |
| 1．2．1 基于小波神经网络的自适应重合闸的提出 | 第14-15页 |
| 1．2．2 国内外研究现状 | 第15-18页 |
| 1．3 论文的主要工作 | 第18-20页 |
| 第二章 自动重合闸的简介 | 第20-26页 |
| 2．1 自动重合闸在电力系统中的作用 | 第20-22页 |
| 2．2 单相自动重合闸 | 第22-25页 |
| 2．2．1 自动重合闸的类型 | 第22页 |
| 2．2．2 单相自动重合闸的概念 | 第22-23页 |
| 2．2．3 对单相自动重合闸的评价 | 第23-25页 |
| 2．3 自动重合闸的缺点 | 第25页 |
| 2．4 小结 | 第25-26页 |
| 第三章 微机式自适应单相自动重合闸 | 第26-32页 |
| 3．1 自适应单相自动重合闸的基本原理 | 第26-27页 |
| 3．2 区分永久性和瞬时性故障的原则及判据 | 第27-30页 |
| 3．2．1 区分永久性和瞬时性故障的基本原则 | 第27-29页 |
| 3．2．2 电压判据算法 | 第29页 |
| 3．2．3 电压补偿判据算法 | 第29页 |
| 3．2．4 电压判据及电压补偿判据的缺陷 | 第29-30页 |
| 3．3 小结 | 第30-32页 |
| 第四章 应用于继电保护中的小波神经网络 | 第32-38页 |
| 4．1 用于继电保护中的人工神经网络模型 | 第32-34页 |
| 4．1．1 概述 | 第32-33页 |
| 4．1．2 常用神经网络模型 | 第33-34页 |
| 4．2 小波神经网络的构成 | 第34-35页 |
| 4．2．1 概述 | 第34-35页 |
| 4．3 小波神经网络 | 第35-37页 |
| 4．4 小结 | 第37-38页 |
| 第五章 智能式自适应单相重合闸 | 第38-47页 |
| 5．1 EMTP仿真模型和短路仿真 | 第38-40页 |
| 5．1．1 线路仿真模型 | 第38-39页 |
| 5．1．2 EMTP短路仿真 | 第39-40页 |
| 5．2 基于小波神经网络的自适应单相自动重合闸 | 第40-44页 |
| 5．2．1 智能式自动重合闸的实现总体流程图 | 第40页 |
| 5．2．2 小波分解和特征量的提取 | 第40-42页 |
| 5．2．3 网络的训练和测试 | 第42-44页 |
| 5．2．4 采样率和时窗对训练结果的影响分析 | 第44页 |
| 5．3 模糊神经网络在自适应单相重合闸中应用的设想 | 第44-46页 |
| 5．3．1 模糊神经网络（FNN）概述 | 第44-45页 |
| 5．3．2 模糊神经网络应用于自适应单相重合闸的设想 | 第45-46页 |
| 5．4 小结 | 第46-47页 |
| 第六章 重合闸最佳合闸时间机理及其整定计算 | 第47-54页 |
| 6．1 最佳切除故障时间与最佳合闸时间 | 第48-51页 |
| 6．1．1 电力系统暂态稳定的经典数学模型 | 第48-49页 |
| 6．1．2 永久性故障的最佳切除时间 | 第49页 |
| 6．1．3 最佳重合条件 | 第49-51页 |
| 6．2 最佳重合时间的计算 | 第51-52页 |
| 6．3 结论 | 第52-54页 |
| 第七章 瞬时性故障的最佳重合时刻的智能在线捕获方法 | 第54-62页 |
| 7．1 EMTP系统仿真模型 | 第54-55页 |
| 7．2 确定最佳重合闸时刻的策略 | 第55-58页 |
| 7．2．1 小波变换分析及特征量的获取 | 第56页 |
| 7．2．2 ANN选择及其训练 | 第56-58页 |
| 7．3 仿真与分析 | 第58-61页 |
| 7．3．1 仿真实现 | 第58-60页 |
| 7．3．2 最佳重合闸时刻的实时性分析 | 第60-61页 |
| 7．4 结论 | 第61-62页 |
| 结论 | 第62-65页 |
| 参考文献 | 第65-69页 |
| 本人在攻读硕士期间所撰写的论文 | 第69-70页 |
| 致谢 | 第70页 |
