GIS局部放电故障智能识别技术的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 GIS 局部放电故障智能识别技术研究现状 | 第8-11页 |
| 1.1.1 GIS 局部放电信号检测方法 | 第8-10页 |
| 1.1.2 GIS 超高频法检测技术的研究现状 | 第10页 |
| 1.1.3 局部放电信号模式识别技术的研究 | 第10-11页 |
| 1.2 BP 神经网络在局部放电分类识别中的应用 | 第11-12页 |
| 1.3 本论文主要任务 | 第12-14页 |
| 第二章 局部放电识别系统的构成 | 第14-22页 |
| 2.1 识别系统 | 第14-17页 |
| 2.1.1 GIS 实体模型 | 第14-15页 |
| 2.1.2 超高频传感器和检波器 | 第15-16页 |
| 2.1.3 工控机和采集卡 | 第16页 |
| 2.1.4 上下位机系统 | 第16-17页 |
| 2.2 典型局部放电类型的检测和分析 | 第17-22页 |
| 2.2.1 针尖放电 | 第18页 |
| 2.2.2 悬浮放电 | 第18-20页 |
| 2.2.3 在绝缘体上的固定的金属颗粒放电 | 第20页 |
| 2.2.4 绝缘体上的自由金属粒子的放电 | 第20-22页 |
| 第三章 局部放电智能识别方法的研究 | 第22-32页 |
| 3.1 神经元 | 第22-25页 |
| 3.2 标准 BP 算法 | 第25-28页 |
| 3.3 BP 算法的改进 | 第28-29页 |
| 3.4 BP 神经网络的识别过程 | 第29页 |
| 3.5 局部放电谱图特征量的确定 | 第29-32页 |
| 第四章 基于 Labview 的识别系统的设计 | 第32-50页 |
| 4.1 基于 BP 神经网络智能识别技术的研究 | 第32-38页 |
| 4.1.1 神经网络识别器的构成 | 第32-33页 |
| 4.1.2 训练样本未归一化时的识别结果分析 | 第33-34页 |
| 4.1.3 训练样本的归一化 | 第34-36页 |
| 4.1.4 隐含层节点数的确定 | 第36-37页 |
| 4.1.5 实际测试结果分析 | 第37-38页 |
| 4.2 GIS 局部放电在线监测系统的设计 | 第38-50页 |
| 4.2.1 下位机构成 | 第38-42页 |
| 4.2.2 上位机构成 | 第42-48页 |
| 4.2.3 上下位机通信 | 第48-50页 |
| 第五章 基于嵌入式处理器识别方案的设计 | 第50-54页 |
| 5.1 嵌入式处理器识别方案的架构 | 第50-51页 |
| 5.2 两种方案的对比 | 第51页 |
| 5.3 FPGA 与 DSP 的连接 | 第51-52页 |
| 5.4 局部放电模式识别在 DSP 中的实现 | 第52-54页 |
| 第六章 结论 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间所取得的相关科研成果 | 第60-62页 |
| 致谢 | 第62页 |
