| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 1 绪论 | 第8-18页 |
| ·大型电力变压器故障诊断的目的和意义 | 第8-9页 |
| ·目前大型电力变压器内绝缘故障诊断的主要方法及存在的问题和困难 | 第9-11页 |
| ·变压器油中溶解气体的在线监测及故障诊断 | 第9-10页 |
| ·局部放电在线监测 | 第10-11页 |
| ·基于神经网络的电力变压器故障诊断技术研究的国内外现状 | 第11-17页 |
| ·以神经网络为基础的国内外应用研究概况 | 第11-13页 |
| ·以故障诊断为目的的国内外应用研究概况 | 第13-17页 |
| ·作者的研究内容 | 第17页 |
| ·小结 | 第17-18页 |
| 2 神经网络模型及学习算法的分析 | 第18-32页 |
| ·概述 | 第18-19页 |
| ·人工智能的提出 | 第18页 |
| ·神经网络发展简史 | 第18-19页 |
| ·人工神经元模型简介 | 第19-23页 |
| ·大脑的生物模型 | 第19-21页 |
| ·人工神经元模型 | 第21-23页 |
| ·人工神经网络模型 | 第23-24页 |
| ·神经网络的学习算法 | 第24-30页 |
| ·反向传播算法(BP) | 第25-27页 |
| ·ART理论及其相应学习算法 | 第27-30页 |
| ·小结 | 第30-32页 |
| 3 BP神经网络在以油中溶解气体为特征量的变压器故障诊断中的应用 | 第32-45页 |
| ·三比值故障诊断法存在的缺陷及解决的新思路 | 第32-34页 |
| ·变压器内部故障类型与特征气体的关系 | 第32-33页 |
| ·三比值故障诊断法 | 第33页 |
| ·比值法存在的缺陷 | 第33-34页 |
| ·神经网络带来的解决问题的新思路 | 第34页 |
| ·BP神经网络的建立 | 第34-38页 |
| ·在油中溶解气体分析法中引入BP网络进行故障诊断的可行性 | 第34页 |
| ·BP网络的学习流程 | 第34-36页 |
| ·学习样本的收集 | 第36-37页 |
| ·输入、输出模式的确定 | 第37-38页 |
| ·影响BP神经网络收敛特性因素的探讨 | 第38-41页 |
| ·BP算法存在的难点 | 第38页 |
| ·隐含层神经元个数的影响 | 第38-39页 |
| ·学习因子的影响 | 第39-40页 |
| ·BP网络学习算法的一些改进 | 第40-41页 |
| ·网络验证及仿真结果 | 第41-44页 |
| ·小结 | 第44-45页 |
| 4 神经网络在变压器局部放电模式识别中的应用研究 | 第45-63页 |
| ·概述 | 第45页 |
| ·局放识别的两种基本途径 | 第45-46页 |
| ·相位相关法 | 第45-46页 |
| ·时间相关法 | 第46页 |
| ·局放模拟试验及数据采集装置 | 第46-49页 |
| ·局放模拟试验装置 | 第46-49页 |
| ·放电模型的试验结果 | 第49-55页 |
| ·用BP神经网络对局放模式进行识别 | 第55-56页 |
| ·BP神经网络结构的确定 | 第55页 |
| ·学习样本的建立 | 第55页 |
| ·BP神经网络神经网络识别结果 | 第55-56页 |
| ·应用ART神经网络对局放模式进行识别 | 第56-61页 |
| ·局放数据的预先处理 | 第56-57页 |
| ·SART网—ART2网的简化 | 第57-60页 |
| ·SART神经网络对局放模式识别的结果 | 第60-61页 |
| ·小结 | 第61-63页 |
| 5 结论 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 独创性声明 | 第68页 |
| 学位论文版权使用授权书 | 第68页 |
