| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 选题的背景及意义 | 第9页 |
| 1.2 变压器故障诊断技术的研究现状 | 第9-13页 |
| 1.3 主要研究内容 | 第13-15页 |
| 2 变压器的油中溶解气体分析 | 第15-24页 |
| 2.1 变压器油中溶解气体产气机理 | 第15-17页 |
| 2.1.1 绝缘材料产气机理 | 第15-17页 |
| 2.1.2 其他产气途径 | 第17页 |
| 2.2 热分解气体在油中的溶解与释放 | 第17-18页 |
| 2.2.1 热分解气体 | 第17-18页 |
| 2.2.2 变压器油中故障气体在散布过程中的损失 | 第18页 |
| 2.3 故障变压器产气特性分析 | 第18-20页 |
| 2.3.1 油中气体产生的原因和特征 | 第18-20页 |
| 2.3.2 变压器油中产生故障气体的机理 | 第20页 |
| 2.4 变压器内部故障气体的检测方法 | 第20-21页 |
| 2.5 变压器故障的种类 | 第21-22页 |
| 2.6 常用的变压器故障诊断 | 第22-23页 |
| 2.7 小结 | 第23-24页 |
| 3 最小二乘支持向量机分类器理论 | 第24-35页 |
| 3.1 机器学习理论 | 第24-25页 |
| 3.2 支持向量机基本原理 | 第25-29页 |
| 3.2.1 线性分类器 | 第25-27页 |
| 3.2.2 支持向量机分类器原理 | 第27-29页 |
| 3.3 最小二乘支持向量机分类器原理 | 第29-30页 |
| 3.4 核函数 | 第30-31页 |
| 3.5 多分类最小二乘支持向量机 | 第31-34页 |
| 3.6 小结 | 第34-35页 |
| 4 贝叶斯框架下的LS-SVM | 第35-43页 |
| 4.1 常用的参数选择方法 | 第35-36页 |
| 4.2 高斯过程中的贝叶斯方法 | 第36-39页 |
| 4.3 贝叶斯框架下的LS-SVM | 第39-42页 |
| 4.3.1 贝叶斯框架 | 第39-40页 |
| 4.3.2 参数优化 | 第40-42页 |
| 4.4 小结 | 第42-43页 |
| 5 基于LS-SVM和D-S证据理论的变压器故障诊断模型 | 第43-62页 |
| 5.1 数据处理 | 第43-45页 |
| 5.1.1 数据的搜集与整理 | 第43-44页 |
| 5.1.2 数据的灰生成处理 | 第44-45页 |
| 5.1.3 构造训练集和测试集 | 第45页 |
| 5.2 故障诊断模型的建立 | 第45-50页 |
| 5.2.1 LS-SVM多分类器建立 | 第46-48页 |
| 5.2.2 贝叶斯框架下的LS-SVM | 第48-50页 |
| 5.3 基于D-S证据理论的融合诊断 | 第50-57页 |
| 5.3.1 D-S证据理论简介 | 第50-52页 |
| 5.3.2 D-S证据理论故障诊断 | 第52-57页 |
| 5.4 与其他方法的对比 | 第57-61页 |
| 5.4.1 三比值法变压器故障诊断 | 第57-59页 |
| 5.4.2 基于LS-SVM的变压器故障诊断 | 第59-61页 |
| 5.5 小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间的研究成果 | 第68页 |