| 摘要 | 第1-6页 |
| Abstract | 第6-14页 |
| 第1章 绪论 | 第14-31页 |
| ·课题背景及其意义 | 第14-16页 |
| ·变压器油中溶解气体的来源 | 第16-17页 |
| ·空气在变压器油中的溶解 | 第16-17页 |
| ·变压器油的分解 | 第17页 |
| ·变压器的故障类型及其溶解气体特征 | 第17-19页 |
| ·变压器故障类型的划分 | 第17-19页 |
| ·变压器故障时油中溶解气体特征 | 第19页 |
| ·基于DGA数据的变压器故障诊断的研究现状 | 第19-29页 |
| ·传统变压器故障诊断方法 | 第20-25页 |
| ·基于人工智能的变压器故障诊断方法 | 第25-29页 |
| ·论文的主要研究内容 | 第29-31页 |
| 第2章 基于相关向量机的变压器故障诊断 | 第31-51页 |
| ·引言 | 第31-32页 |
| ·相关向量机介绍 | 第32-39页 |
| ·相关向量机理论简介 | 第32-35页 |
| ·相关向量机分类性能分析 | 第35-39页 |
| ·基于相关向量机的变压器故障诊断 | 第39-46页 |
| ·基于RVM的变压器故障诊断模型 | 第39-40页 |
| ·选取特征变量 | 第40-42页 |
| ·选取样本数据 | 第42页 |
| ·选取核函数 | 第42-44页 |
| ·基于RVM的变压器故障诊断的实现过程 | 第44-46页 |
| ·实例分析 | 第46-49页 |
| ·本章小结 | 第49-51页 |
| 第3章 基于多分类相关向量机的变压器故障诊断 | 第51-64页 |
| ·引言 | 第51页 |
| ·多分类相关向量机介绍 | 第51-54页 |
| ·M-RVM模型简介 | 第51-53页 |
| ·M-RVM模型学习 | 第53-54页 |
| ·基于M-RVM的变压器故障诊断 | 第54-58页 |
| ·变压器故障类型的划分及其表示方法 | 第54-55页 |
| ·选取特征变量 | 第55页 |
| ·选取核函数 | 第55页 |
| ·诊断输出 | 第55-56页 |
| ·基于M-RVM的变压器故障诊断过程 | 第56-58页 |
| ·实例分析 | 第58-63页 |
| ·本章小结 | 第63-64页 |
| 第4章 基于组合核相关向量机的变压器故障诊断 | 第64-80页 |
| ·引言 | 第64页 |
| ·MKL-RVM算法介绍及其改进 | 第64-72页 |
| ·MKL-RVM算法介绍 | 第64-66页 |
| ·MKL-RVM算法改进 | 第66-72页 |
| ·遗传算法简介 | 第66-68页 |
| ·交叉验证简介 | 第68-69页 |
| ·MKL-RVM参数优化 | 第69-72页 |
| ·基于MKL-RVM的变压器故障诊断 | 第72-75页 |
| ·变压器故障类型的划分及其表示方法 | 第72页 |
| ·确定MKL-RVM融合诊断模型 | 第72-74页 |
| ·选取核函数和优化核函数参数 | 第74页 |
| ·诊断输出 | 第74页 |
| ·基于MKL-RVM的变压器故障诊断过程 | 第74-75页 |
| ·RVM M-RVM MKL-RVM诊断方法的对比分析 | 第75-77页 |
| ·实例分析 | 第77-79页 |
| ·本章小结 | 第79-80页 |
| 第5章 基于代价敏感相关向量机的变压器故障诊断 | 第80-92页 |
| ·引言 | 第80-81页 |
| ·代价敏感相关向量机 | 第81-84页 |
| ·代价敏感学习 | 第81-82页 |
| ·代价敏感相关向量机的提出 | 第82-83页 |
| ·代价敏感相关向量机性能分析 | 第83-84页 |
| ·基于CS-RVM的变压器故障诊断方法 | 第84-86页 |
| ·实例分析 | 第86-91页 |
| ·本章小结 | 第91-92页 |
| 第6章 结论与展望 | 第92-94页 |
| ·结论 | 第92-93页 |
| ·展望 | 第93-94页 |
| 参考文献 | 第94-109页 |
| 附录 电力变压器DGA数据 | 第109-132页 |
| 攻读博士学位期间发表的论文 | 第132-134页 |
| 攻读博士学位期间参加的科研工作 | 第134-135页 |
| 致谢 | 第135-136页 |
| 作者简介 | 第136页 |