基于SVM的变压器故障诊断研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第12-18页 |
| 1.1 变压器故障诊断的背景和意义 | 第12-13页 |
| 1.2 故障诊断的研究现状 | 第13-15页 |
| 1.3 本文的工作中心 | 第15-16页 |
| 1.4 本章小结 | 第16-18页 |
| 2 变压器油中溶解气体的分析 | 第18-30页 |
| 2.1 油中溶解气体的由来 | 第18-19页 |
| 2.2 油中气体的溶解 | 第19-21页 |
| 2.3 变压器油中溶解气体的耗损 | 第21-22页 |
| 2.4 不同状态下油中气体的含量 | 第22-25页 |
| 2.4.1 正常运行状态下油中气体含量 | 第22-23页 |
| 2.4.2 变压器故障运行下的气体含量关系 | 第23-25页 |
| 2.5 油中溶解气体的色谱分析 | 第25-28页 |
| 2.5.1 色谱分析的工作基理 | 第25-27页 |
| 2.5.2 气相色谱分析的过程 | 第27-28页 |
| 2.6 本章小结 | 第28-30页 |
| 3 变压器故障诊断技术分析 | 第30-42页 |
| 3.1 油中溶解气体的故障分析流程 | 第31-37页 |
| 3.1.1 故障状态的判定 | 第31-32页 |
| 3.1.2 故障性质的诊断 | 第32-37页 |
| 3.2 三比值法的分析 | 第37-40页 |
| 3.3 本章小结 | 第40-42页 |
| 4 支持向量机的原理分析 | 第42-56页 |
| 4.1. 统计学理论基础 | 第42-44页 |
| 4.1.1 机器学习 | 第42-44页 |
| 4.1.2 经验风险最小化 | 第44页 |
| 4.2 统计学理论 | 第44-47页 |
| 4.2.1 学习的一致性要求 | 第45-46页 |
| 4.2.2 最小化结构风险 | 第46-47页 |
| 4.3 支持向量机的基础 | 第47-53页 |
| 4.3.1 线性可分SVM | 第47-51页 |
| 4.3.2 线性不可分SVM | 第51-53页 |
| 4.4 核函数 | 第53-54页 |
| 4.5 多分类的SVM | 第54-55页 |
| 4.6 本章小结 | 第55-56页 |
| 5 基于SVM的变压器故障模型判定仿真 | 第56-66页 |
| 5.1 模型样本数据的选取 | 第56-57页 |
| 5.1.1 特征故障量的选取以及故障类别的确立 | 第56页 |
| 5.1.2 故障数据样本的选取要求 | 第56-57页 |
| 5.2 故障模型的建立 | 第57页 |
| 5.3 libsvm软件包简介 | 第57-58页 |
| 5.4 Matlab仿真流程 | 第58-64页 |
| 5.4.1 数据样本的处理 | 第58-60页 |
| 5.4.2 训练及预测样本集的划分 | 第60-61页 |
| 5.4.3 数据样本的预处理 | 第61-62页 |
| 5.4.4 变压器故障模型的训练以及预测 | 第62-64页 |
| 5.5 本章小结 | 第64-66页 |
| 6 SVM参数c/g的优化 | 第66-72页 |
| 6.1 基于交叉验证的模型建立 | 第66-69页 |
| 6.1.1 交叉验证法 | 第66页 |
| 6.1.2 创建/训练SVM(RBF核函数) | 第66-69页 |
| 6.2 基于粒子群算法的模型建立 | 第69-71页 |
| 6.2.1 理论基础 | 第69页 |
| 6.2.2 基于PSO算法模型仿真 | 第69-71页 |
| 6.3 本章小结 | 第71-72页 |
| 7 结论与展望 | 第72-74页 |
| 7.1 论文总结 | 第72页 |
| 7.2 前景展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 附录A 数据样本 | 第80-88页 |
| 作者简介及读研期间主要研究成果 | 第88页 |
