| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 引言 | 第9页 |
| 1.2 电力设备状态监测的研究背景及意义 | 第9-10页 |
| 1.3 状态监测技术国内外发展状况及分析 | 第10-11页 |
| 1.4 现阶段的数据挖掘方法 | 第11-12页 |
| 1.5 论文主要工作及章节安排 | 第12-14页 |
| 第2章 智能变电站状态信息监测常用算法 | 第14-21页 |
| 2.1 支持向量机(SVM)预测原理 | 第14-16页 |
| 2.1.1 SVM简介 | 第14页 |
| 2.1.2 SVM预测原理 | 第14-16页 |
| 2.2 粒子群算法 | 第16-19页 |
| 2.2.1 粒子群算法简介 | 第16-17页 |
| 2.2.2 标准粒子群算法 | 第17-18页 |
| 2.2.3 二进制粒子群算法 | 第18-19页 |
| 2.3 粗糙集 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 智能变电站结构及其工作原理 | 第21-31页 |
| 3.1 智能一次设备 | 第21-22页 |
| 3.1.1 智能一次设备的功能 | 第21-22页 |
| 3.1.2 智能一次设备的分类 | 第22页 |
| 3.2 智能变电站信息类型 | 第22页 |
| 3.3 智能变电站数据采集及其传输的网络架构 | 第22-28页 |
| 3.3.1 智能变电站网络结构 | 第22-25页 |
| 3.3.2 智能变电站过程层设备 | 第25-28页 |
| 3.4 智能变电站数据采集及其传输过程 | 第28-30页 |
| 3.4.1 智能变电站数据传输方式 | 第28-29页 |
| 3.4.2 智能变电站数据传输过程 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 智能变电站状态监测系统总体设计 | 第31-41页 |
| 4.1 智能变电站的体系结构 | 第31-32页 |
| 4.2 电力设备智能化 | 第32-33页 |
| 4.2.1 智能变压器 | 第33页 |
| 4.2.2 智能开关设备 | 第33页 |
| 4.2.3 电子式传感器 | 第33页 |
| 4.3 信息共享化 | 第33-35页 |
| 4.3.1 网络技术 | 第33-34页 |
| 4.3.2 IEC61850标准 | 第34-35页 |
| 4.4 智能变电站的通信网络信息 | 第35-38页 |
| 4.4.1 报文网络基本结构 | 第35-37页 |
| 4.4.2 智能变电站报文结构分析 | 第37-38页 |
| 4.5 智能变电站状态监测系统架构设计 | 第38-40页 |
| 4.6 本章小结 | 第40-41页 |
| 第5章 基于遗传算法的粗糙集算法及其在智能变电站故障监测中的应用 | 第41-48页 |
| 5.1 基于粗糙集的故障诊断规则提取 | 第41页 |
| 5.2 基于遗传算法的粗糙集算法 | 第41-44页 |
| 5.3 基于遗传算法的粗糙集算法在110kV变电站故障信息监测中的应用 | 第44-47页 |
| 5.3.1 算例模型 | 第44-45页 |
| 5.3.2 110kV区域的状态监测信息 | 第45-46页 |
| 5.3.3 仿真实验结果与分析 | 第46-47页 |
| 5.4 本章小计 | 第47-48页 |
| 第6章 BPSO-MKSVM算法及其在变压器状态监测中的应用 | 第48-58页 |
| 6.1 粒子群算法原理 | 第48-51页 |
| 6.1.1 参数c和σ的选择流程 | 第48-49页 |
| 6.1.2 仿真结果 | 第49-51页 |
| 6.2 多核学习支持向量机分类算法 | 第51-54页 |
| 6.2.1 SVM数学模型 | 第51页 |
| 6.2.2 多核学习支持向量机 | 第51-53页 |
| 6.2.3 BPSO-MKSVM模型的建立 | 第53页 |
| 6.2.4 BPSO-MKSVM模型的求解 | 第53-54页 |
| 6.3 BPSO-MKSVM算法在变压器故障诊断中的应用 | 第54-56页 |
| 6.3.1 数据的归一化处理 | 第54-55页 |
| 6.3.2 基于BPSO-MKSVM的故障诊断模型 | 第55-56页 |
| 6.4 仿真实验结果与分析 | 第56-57页 |
| 6.5 本章小结 | 第57-58页 |
| 第7章 总结与展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62页 |
