基于信息熵—灰色关联度法的电力变压器故障诊断研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-18页 |
| 1.1 选题背景和研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 传统诊断方法 | 第10-11页 |
| 1.2.2 单一人工智能方法 | 第11-14页 |
| 1.2.3 混合人工智能方法 | 第14-16页 |
| 1.3 目前存在的主要问题 | 第16-17页 |
| 1.4 主要研究内容 | 第17-18页 |
| 2 电力变压器故障与油中溶解气体关系分析 | 第18-28页 |
| 2.1 电力变压器油中溶解气体分析 | 第18-21页 |
| 2.1.1 油中气体的产生及溶解 | 第18-20页 |
| 2.1.2 电力变压器正常运行时油中气体含量 | 第20-21页 |
| 2.2 电力变压器故障与油中气体关系 | 第21-22页 |
| 2.3 电力变压器发生热性故障时油中的特征气体 | 第22-23页 |
| 2.4 电力变压器发生放电性故障时油中的特征气体 | 第23-25页 |
| 2.4.1 电弧放电故障 | 第23-24页 |
| 2.4.2 火花放电故障 | 第24页 |
| 2.4.3 局部放电故障 | 第24-25页 |
| 2.5 基于 DGA 的电力变压器故障诊断 | 第25-27页 |
| 2.6 小结 | 第27-28页 |
| 3 灰色关联分析基本思想与关联度量化模型 | 第28-33页 |
| 3.1 灰色关联分析基本思想 | 第28-29页 |
| 3.2 关联度量化模型 | 第29-32页 |
| 3.2.1 灰关联系数和灰关联度的计算 | 第29-31页 |
| 3.2.2 灰关联度排序和优势分析 | 第31-32页 |
| 3.2.3 灰关联分析用于故障诊断的步骤 | 第32页 |
| 3.3 小结 | 第32-33页 |
| 4 基于加权关联度模型的电力变压器故障诊断 | 第33-42页 |
| 4.1 加权关联度模型 | 第33-37页 |
| 4.1.1 信息熵的基本思想 | 第33页 |
| 4.1.2 加权关联度模型的建立 | 第33-36页 |
| 4.1.3 分辨系数的选择 | 第36-37页 |
| 4.2 电力变压器故障的加权关联度诊断方法及分析 | 第37-41页 |
| 4.2.1 选择特征向量组成状态模式向量 | 第37页 |
| 4.2.2 构造标准模式向量建立故障诊断标准谱 | 第37-38页 |
| 4.2.3 灰关联度分析诊断电力变压器故障步骤 | 第38-39页 |
| 4.2.4 故障诊断实例及分析 | 第39-41页 |
| 4.3 小结 | 第41-42页 |
| 5 基于组合方法的电力变压器故障诊断 | 第42-56页 |
| 5.1 组合诊断的提出 | 第42页 |
| 5.2 改进关联度模型 | 第42-45页 |
| 5.2.1 模型的建立 | 第42-43页 |
| 5.2.2 诊断实例 | 第43-45页 |
| 5.3 赋权关联度模型 | 第45-48页 |
| 5.3.1 模型的建立 | 第45-46页 |
| 5.3.2 诊断实例 | 第46-48页 |
| 5.4 面积关联度模型 | 第48-51页 |
| 5.4.1 模型的建立 | 第48-49页 |
| 5.4.2 诊断实例 | 第49-51页 |
| 5.5 组合关联度模型 | 第51-55页 |
| 5.5.1 最优加权系数选择 | 第51-52页 |
| 5.5.2 模型的建立 | 第52-53页 |
| 5.5.3 诊断实例 | 第53-55页 |
| 5.6 小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间的研究成果 | 第62页 |
