| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 变压器故障诊断的意义 | 第9-10页 |
| 1.2 变压器的油中溶解气体 | 第10-13页 |
| 1.2.1 变压器油中气体的产生 | 第11-12页 |
| 1.2.2 变压器故障类型和油中特征气体含量的关系 | 第12-13页 |
| 1.2.3 油中溶解气体分析在故障诊断中的作用 | 第13页 |
| 1.3 基于DGA的变压器故障诊断研究现状 | 第13-16页 |
| 1.3.1 基于DGA数据的传统诊断方法 | 第13-14页 |
| 1.3.2 基于DGA数据的智能诊断方法 | 第14-16页 |
| 1.4 本课题研究内容 | 第16-18页 |
| 第2章 极限学习机与证据理论相关知识 | 第18-25页 |
| 2.1 引言 | 第18-19页 |
| 2.2 极限学习机理论 | 第19-20页 |
| 2.3 证据理论 | 第20-24页 |
| 2.3.1 辨别框架 | 第21页 |
| 2.3.2 基本概率分配函数 | 第21页 |
| 2.3.3 信度函数 | 第21页 |
| 2.3.4 似然函数 | 第21-22页 |
| 2.3.5 合成规则 | 第22-23页 |
| 2.3.6 合成例子 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于在线序列极限学习机的变压器故障诊断 | 第25-37页 |
| 3.1 引言 | 第25页 |
| 3.2 在线序列极限学习机理论 | 第25-26页 |
| 3.3 基于在线序列极限学习机的变压器故障诊断 | 第26-31页 |
| 3.3.1 基于OS-ELM的变压器故障诊断模型 | 第26-27页 |
| 3.3.2 特征量的选取 | 第27页 |
| 3.3.3 特征气体样本选择与变压器状态编码 | 第27-28页 |
| 3.3.4 OS-ELM算法参数的选择 | 第28-31页 |
| 3.3.5 基于OS-ELM的变压器故障诊断的实现 | 第31页 |
| 3.4 基于集成的在线序列极限学习机优化算法 | 第31-34页 |
| 3.5 实例分析 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于OS-ELM和证据理论的变压器放电性故障综合诊断 | 第37-45页 |
| 4.1 引言 | 第37页 |
| 4.2 变压器放电故障介绍 | 第37-40页 |
| 4.2.1 变压器的局部放电故障 | 第38-39页 |
| 4.2.2 变压器的火花放电故障 | 第39-40页 |
| 4.2.3 变压器的电弧放电故障 | 第40页 |
| 4.3 基于OS-ELM和证据理论的变压器放电性故障诊断 | 第40-42页 |
| 4.3.1 诊断模型 | 第40-41页 |
| 4.3.2 证据属性 | 第41-42页 |
| 4.3.3 识别框架 | 第42页 |
| 4.3.4 基本可信度分配 | 第42页 |
| 4.3.5 证据合成 | 第42页 |
| 4.4 实例分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 结论与展望 | 第45-47页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 攻读硕士学位期间发表的论文 | 第50-51页 |
| 攻读硕士学位期间参加的科研工作 | 第51-52页 |
| 致谢 | 第52页 |
