| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| Contents | 第11-14页 |
| 1 绪论 | 第14-20页 |
| ·变压器故障诊断研究的背景及意义 | 第14-15页 |
| ·变压器故障诊断的研究现状及发展方向 | 第15-18页 |
| ·本论文的主要研究内容 | 第18-20页 |
| 2 油中溶解气体分析的原理及变压器内部故障诊断技术 | 第20-32页 |
| ·油中溶解气体的来源 | 第20-22页 |
| ·空气的溶解 | 第20-21页 |
| ·正常运行时产生的气体 | 第21页 |
| ·故障运行下产生的气体 | 第21-22页 |
| ·油中气体的产生机理及气体在油中的溶解过程 | 第22-24页 |
| ·变压器油分解的产气机理 | 第22-23页 |
| ·固体绝缘材料分解的产气机理 | 第23页 |
| ·气体在变压器油中的溶解过程 | 第23-24页 |
| ·变压器内部故障类型与油中溶解气体含量关系 | 第24-25页 |
| ·热性故障与油中溶解气体含量的关系 | 第24页 |
| ·电性故障与油中溶解气体含量的关系 | 第24-25页 |
| ·进水受潮与油中溶解气体含量的关系 | 第25页 |
| ·基于油中溶解气体分析法的变压器故障诊断技术 | 第25-30页 |
| ·变压器有无故障判断 | 第26-27页 |
| ·变压器故障程度的判断 | 第27-28页 |
| ·变压器故障类型的判断 | 第28-30页 |
| ·本章小结 | 第30-32页 |
| 3 基于遗传算法优化的BP神经网络的变压器故障诊断 | 第32-58页 |
| ·BP神经网络理论概述 | 第32-37页 |
| ·BP神经网络的拓扑结构 | 第32-33页 |
| ·BP神经网络的学习规则 | 第33-35页 |
| ·标准BP算法的程序实现 | 第35-37页 |
| ·标准BP算法的改进 | 第37页 |
| ·遗传算法理论 | 第37-45页 |
| ·遗传算法的基本思想 | 第37-38页 |
| ·遗传算法的构成要素 | 第38-43页 |
| ·遗传算法的基本操作方法 | 第43-44页 |
| ·遗传算法的特点 | 第44-45页 |
| ·基于遗传算法优化BP神经网络的变压器故障诊断系统设计 | 第45-56页 |
| ·基于BP神经网络的变压器故障诊断系统整体设计 | 第45-46页 |
| ·样本集的选择与归一化处理 | 第46-47页 |
| ·基于BP神经网络的变压器故障诊断模型的建立 | 第47-50页 |
| ·基于遗传算法优化的BP神经网络 | 第50-52页 |
| ·基于GA优化BP神经网络的变压器故障诊断模型的训练与测试 | 第52-56页 |
| ·本章小结 | 第56-58页 |
| 4 基于支持向量机SVM的变压器故障诊断 | 第58-74页 |
| ·支持向量机理论 | 第58-64页 |
| ·统计学理论简介 | 第58-60页 |
| ·分类支持向量机理论 | 第60-64页 |
| ·支持向量机多分类算法 | 第64-65页 |
| ·“一对其余”分类算法 | 第64-65页 |
| ·一对一”分类算法 | 第65页 |
| ·基于SVM的变压器故障诊断模型设计 | 第65-73页 |
| ·模型样本训练集和测试集的选定 | 第66页 |
| ·分类类别的确定 | 第66-67页 |
| ·输入数据预处理 | 第67-68页 |
| ·核函数的选择 | 第68页 |
| ·交叉验证选择SVM算法最优参数 | 第68-71页 |
| ·故障诊断系统模型的仿真与测试 | 第71-72页 |
| ·SVM诊断模型与GA-BP网络诊断的比较 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 5 结论及展望 | 第74-76页 |
| ·总结 | 第74页 |
| ·进一步研究和展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 附录A 变压器故障特征气体样本值 | 第80-88页 |
| 致谢 | 第88-90页 |
| 作者简介及读研期间主要科研成果 | 第90页 |
